The company Predictable Hiring assist companies in their recruitment process. One of the areas companies need assistance in is deciding wages to offer new recruits. Currently, there are statistical websites that offer crude means based on only a few factors. These factors do not take company specifics into consideration. In this thesis, a model is constructed based on various features that predicts an appropriate income for one type of role, but the same model can be trained for different roles, and suggests a range for appropriate minimum and maximum income offers.Various models are constructed using Linear and Polynomial regression, with and without LASSO and RIDGE regularization, Gaussian processes and Neural Networks with Ridge regularization. These models are then compared based on predictive accuracy and the best performer is selected as the model the company proceeds to use. Auxillary methods are also implemented to improve the performance of the model such as investigating outliers, evaluating magnitudes of multicolinearity, feature scaling, assessing predictive power of features and evaluating errors. The model is a functional prototype, and thus can be significantly improved upon. The company Predictable Hiring can add more data into the model upon acquisition. This thesis also contains discoveries of knowledge that can serve as a stepping stone for greater models in the future.

Företaget Predictable Hiring assisterar företag i deras rekryteringsprocess. Ett av områdena där företag behöver deras hjälp är att besluta om en lämplig lön att erbjuda potentiella anställda. För nuvarande finns det statistiska webbplatser som erbjuder krassa medelvärden baserade på endast några få faktorer. Dessa faktorer inkluderar inte företagsspecifika detaljer. I denna avhandling konstrueras en modell baserad på olika faktorer som föreslår en lämplig lön för enbart en roll, men fler roller kan inkluderas med samma metoder, samt ett intervall för minimum och maximilöneerbjudanden.Flera modeller konstrueras med hjälp av Linjär och Polynomiell Regression, med och utan LASSO och Ridge regularisering, samt Gauss-processer och Neurala Nätverk med Ridge regularisering. Dessa modeller jämförs sedan baserat på prediktiv förmåga och den bäst presterande modellen blir sedan den modell som väljs och levereras till företaget. Ytterligare metoder implementeras också för att förbättra modellens prestanda, såsom att undersöka avvikare, bedöma grad av multikollinearitet, skalning av features, bedöma prediktiv förmåga hos variabler och utvärdering av fel Margin. Modellen är en fungerande prototyp, och kan därmed förbättras signifikant. Företaget Predictable Hiring kan lägga till mer data i modellen allt eftersom de förvärvar mer. Denna avhandling resulterar även i uppdagandet av kunskap som kan tjäna som grund för att bygga bättre preseternade modeller i framtiden.