Abordar el desempleo es esencial para formular políticas públicas efectivas. En particular, las variables socioeconómicas y monetarias sirven como indicadores esenciales para anticipar las tendencias del mercado laboral, dada su fuerte influencia en la dinámica del empleo y la estabilidad económica. Sin embargo, predecir de manera efectiva la tasa de desempleo requiere abordar las características no estacionarias y no lineales de los datos laborales. Igualmente importante es la preservación de la interpretabilidad tanto en las muestras como en las características para garantizar que las previsiones puedan informar de manera significativa la toma de decisiones públicas. Aquí, proporcionamos un marco explicativo que integra aprendizaje automático no supervisado y supervisado para mejorar la predicción de la tasa de desempleo y la interpretabilidad. Nuestro enfoque es triple: (i) recopilamos un conjunto de datos para la predicción de la tasa de desempleo en Colombia que incluye variables monetarias y socioeconómicas. (ii) Luego, utilizamos una técnica de Biplot Local del ampliamente reconocido método de Aproximación y Proyección de Manifold Uniforme (UMAP) junto con transformaciones afines locales como una representación no supervisada de los patrones de datos no estacionarios y no lineales de manera simplificada y comprensible. (iii) Un regresor de Procesos Gaussianos con análisis de relevancia de características basado en núcleos se acopla como contraparte supervisada tanto para la predicción de la tasa de desempleo como para el análisis de la importancia de las características de entrada. Demostramos la efectividad de nuestro enfoque propuesto a través de una serie de experimentos realizados en nuestra base de datos personalizada centrada en indicadores de desempleo en Colombia. Además, llevamos a cabo un análisis comparativo entre técnicas estadísticas tradicionales y métodos modernos de aprendizaje automático. Los resultados revelaron que nuestro marco mejora significativamente tanto el agrupamiento como el rendimiento predictivo, al mismo tiempo que enfatiza la importancia de las muestras de entrada y la selección de características para impulsar resultados precisos.