Williamcoelho/database-small-tabular-regression4

该数据集包含与职位和候选人相关的信息，涵盖了职位名称、职位级别、职位所在城市、州和国家、最低工作经验要求、最低教育水平要求、薪资范围、合同类型、语言要求、候选人最近的工作经历、教育背景、工作经验时长、所在城市、州和国家、语言水平等信息。数据集分为训练集和验证集，分别包含160和40个样本。

This dataset contains detailed information about job positions and candidates, including job ID, level, location, experience requirements, educational background, salary range, contract type, language skills, etc. The dataset is divided into training and validation sets for model training and validation.

原始信息汇总

数据集概述

数据集特征

• id: 整数类型
• cargo_da_vaga: 字符串类型
• nivel_da_vaga: 整数类型
• cidade_da_vaga: 字符串类型
• estado_da_vaga: 字符串类型
• pais_da_vaga: 整数类型
• minimo_experiencia_meses_vaga: 整数类型
• minimo_nivel_educacao_vaga: 整数类型
• remuneracao_minima: 整数类型
• remuneracao_maxima: 整数类型
• tipo_contrato: 整数类型
• idioma_obrigatorio_en: 整数类型
• idioma_obrigatorio_es: 整数类型
• idioma_obrigatorio_pt: 整数类型
• idioma_desejavel_en: 整数类型
• idioma_desejavel_es: 整数类型
• idioma_desejavel_pt: 整数类型
• ultimo_cargo: 字符串类型
• ultimo_empresa: 字符串类型
• ultimo_data_incio: 字符串类型
• ultimo_periodo_meses: 整数类型
• ultimo_nivel: 整数类型
• penultimo_cargo: 字符串类型
• penultimo_empresa: 字符串类型
• penultimo_data_inicio: 字符串类型
• penultimo_periodo_meses: 整数类型
• penultimo_nivel: 整数类型
• antipoenultimo_cargo: 字符串类型
• antipoenultimo_empresa: 字符串类型
• antipoenultimo_data_inicio: 字符串类型
• antipoenultimo_periodo_meses: 整数类型
• antipoenultimo_nivel: 整数类型
• ultimo_educacao_tecnico_name: 字符串类型
• ultimo_educacao_tecnico_institution: 字符串类型
• ultimo_educacao_tecnologo_name: 字符串类型
• ultimo_educacao_tecnologo_institution: 字符串类型
• ultimo_educacao_graduacao_name: 字符串类型
• ultimo_educacao_graduacao_institution: 字符串类型
• ultimo_educacao_pos_graduacao_mba_name: 字符串类型
• ultimo_educacao_pos_graduacao_mba_institution: 字符串类型
• ultimo_educacao_mestrado_name: 字符串类型
• ultimo_educacao_mestrado_institution: 字符串类型
• ultimo_educacao_doutorado_name: 字符串类型
• ultimo_educacao_doutorado_institution: 字符串类型
• data_inicio_primeira_empresa: 字符串类型
• quantidade_experiencias_profissionais: 整数类型
• quantidade_anos_experiencia: 整数类型
• tempo_medio_por_empresa_meses: 整数类型
• quantidade_de_cursos: 整数类型
• tempo_meses_cargo_aderente: 整数类型
• cidade_da_candidato: 字符串类型
• estado_da_candidato: 字符串类型
• pais_da_candidato: 整数类型
• nivel_idioma_en: 整数类型
• nivel_idioma_es: 整数类型
• nivel_idioma_pt: 整数类型
• target: 浮点数类型

数据集分割

• train: 包含160个样本，占用134638.4字节
• valid: 包含40个样本，占用33659.6字节

数据集大小

• 下载大小: 91852字节
• 数据集总大小: 168298.0字节

配置

• config_name: default
  • data_files:
    • train: data/train-*
    • valid: data/valid-*

搜集汇总

数据集介绍

构建方式

该数据集面向人才招聘与薪酬预测领域，旨在通过候选人履历与职位信息的结构化特征，构建回归模型以预测目标薪酬。数据集包含54个特征，涵盖职位属性（如职位名称、级别、城市、最低经验与教育要求、薪酬范围、合同类型、语言要求）、候选人历次职业经历（最近三次工作的职位、公司、起止时间、任职月数、级别）、教育背景（从技术教育到博士学位的院校与专业名称），以及综合统计指标（工作经验总年限、平均每家公司任职时长、相关职位经验月数、课程数量、语言水平）。数据以表格形式存储，分为训练集（160条）和验证集（40条），由HuggingFace Datasets库管理，文件路径按split组织。

使用方法

数据集可通过HuggingFace Datasets库直接加载，使用`load_dataset`函数指定名称'Williamcoelho/database-small-tabular-regression4'即可获取训练与验证分割。在模型训练前，需对字符串特征（如职位名称、公司名）进行编码处理，如独热编码或标签编码，并将数值型特征标准化。由于目标变量为连续值，可选用线性回归、随机森林或梯度提升机等回归算法。验证集可用于超参数调优和模型评估，推荐使用均方误差（MSE）或平均绝对误差（MAE）作为评价指标。数据集也支持通过Pandas转换为DataFrame进行自定义预处理和探索性数据分析。

背景与挑战

背景概述

在人力资源与劳动经济学领域，精准预测职位薪酬范围对于优化招聘策略与人才匹配具有重要价值。Williamcoelho/database-small-tabular-regression4数据集由William Coelho等人创建，聚焦于巴西劳动力市场，旨在通过候选人的职业履历、教育背景及职位属性等多维特征，构建回归模型以预测薪酬区间。该数据集整合了职位信息（如级别、城市、合同类型）、候选人经历（如过往职位、任职时长、教育细节）及语言能力等56个特征，形成结构化表格数据。尽管样本量较小（训练集160条、验证集40条），但其针对特定地域与语境的精细化设计，为研究新兴市场薪酬预测提供了独特切入点，推动了机器学习在人力资源决策中的落地应用。

当前挑战

该数据集面临的核心挑战体现在两个层面。其一，所解决的领域问题——薪酬预测——受限于高度非线性的社会经济因素（如地域经济差异、行业波动），而数据集仅涵盖巴西部分城市与岗位，泛化能力受限；同时，特征中混杂大量类别型变量（如职位名称、公司名），需复杂编码策略以避免维度灾难。其二，构建过程中样本量极小（仅200条），易导致模型过拟合与统计显著性不足；此外，数据来源于非公开的招聘平台，可能存在选择偏差与缺失值（如教育信息不完整），且时间跨度未知，难以控制时效性影响。这些挑战要求研究者谨慎设计正则化策略与特征工程，以平衡模型复杂度与可解释性。

常用场景

经典使用场景

在人力资源与劳动经济学领域，Williamcoelho/database-small-tabular-regression4数据集为构建基于结构化特征的薪酬预测模型提供了理想载体。该数据集汇集了求职者多维度职业履历信息，包括过往职位层级、任职时长、教育背景、语言能力以及岗位要求的薪酬区间等特征，并以连续型薪酬数值作为回归目标。研究者可借助此数据集训练线性回归、梯度提升树或深度神经网络等模型，精准刻画个人资历与市场薪酬之间的非线性映射关系，从而在人才定价与招聘策略优化中发挥核心作用。

解决学术问题

该数据集有效回应了劳动经济学中关于人力资本回报率估计的经典学术难题。传统研究常受限于样本量不足或特征维度单一，难以分离教育、经验、地域及行业等因素对薪酬的异质性影响。借助本数据集中丰富的职业历程与教育层次变量，学者能够构建更加精细的明瑟方程或因果推断模型，量化不同技能组合的边际薪酬效应。这推动了薪酬决定理论从宏观统计向微观个体异质性分析的范式演进，为理解劳动力市场分层机制提供了实证基础。

实际应用

在实际应用中，该数据集支撑了招聘平台与人力资源管理系统中的智能薪酬推荐功能。企业可基于候选人的历史岗位序列、教育轨迹及地域分布，利用回归模型自动估算合理薪酬区间，减少人工谈判中的信息不对称。同时，猎头机构能借助模型识别薪酬预期与市场行情偏离较大的候选人，从而优化人才匹配效率。此外，该数据集还可用于构建职业发展路径规划工具，通过预测不同晋升路径对应的薪酬增长幅度，辅助求职者做出更明智的职业生涯决策。

数据集最近研究

最新研究方向

在劳动力市场与人力资源分析领域，基于结构化表格数据的回归预测模型正成为前沿研究的热点。Williamcoelho/database-small-tabular-regression4数据集聚焦于职位与候选人匹配场景，涵盖了职位属性、候选人职业轨迹、教育背景及语言能力等多维特征，并以薪酬作为回归目标。当前，该方向的研究紧密关联着算法公平性与可解释性议题，尤其是在利用机器学习自动评估候选人资质时，如何避免因历史数据偏差导致的性别或地域歧视。同时，随着远程办公与全球化招聘的普及，跨地域、多语言环境下的薪酬预测模型需有效整合非结构化文本（如职位描述）与结构化特征。该数据集以小样本、高维度特性为特点，推动了迁移学习、对比学习及元学习在稀疏表格数据上的应用探索，对于构建更精准、更公平的智能招聘系统具有重要的基准测试意义。