V této kapitole se seznámíš s problémy, které HR analytics řeší, a prozkoumáš ukázkový HR dataset, s nímž budeme dál pracovat. Popíšeš a vizualizuješ klíčové proměnné a upravíš dataset tak, aby byl připravený k analýze.

Úvod a přehled

Hledání kategorických proměnných

Prozkoumání kategorických proměnných

Transformace kategorických proměnných

Kódování kategorií

Vytváření dummy proměnných

Dummy trap

Popisná statistika

Korelace v datech o zaměstnancích

Procento zaměstnanců, kteří odešli

Úvod do HR Analytics

Tato kapitola představuje jednu z nejoblíbenějších klasifikačních technik: rozhodovací strom. Použiješ ho k vytvoření algoritmu, který předpovídá odchody zaměstnanců.

Rozdělení dat

Oddělení cílové proměnné a příznaků

Rozdělení dat o zaměstnancích

Úvod do klasifikace pomocí rozhodovacího stromu

Výpočet Gini indexu

Větvení stromu

Predikce odchodu zaměstnanců pomocí rozhodovacích stromů

Trénování stromu na datech o zaměstnancích

Ověření přesnosti predikce

Interpretace rozhodovacího stromu

Export stromu

Interpretace výsledků

Predikce odchodů zaměstnanců

Naučíš se, jak vyhodnotit model a posoudit, jak „dobrý" vlastně je. Porovnáš různé stromy a vybereme z nich ten nejlepší.

Ladění klasifikátoru pro predikci fluktuace zaměstnanců

Prořezávání stromu

Omezení minimální velikosti listu

Vyhodnocení modelu

Interpretace metrik přesnosti

Výpočet metrik přesnosti: precision

Výpočet metrik přesnosti: recall

Zaměření na odcházející i zůstávající zaměstnance

Výpočet skóre ROC/AUC

Nerovnováha tříd

Vyvažování tříd

Porovnání modelů predikce odchodu zaměstnanců

Vyhodnocení modelu pro predikci odchodů

V závěrečné kapitole se naučíš využívat křížovou validaci, abys předešl/a přetrénování na trénovacích datech. Zjistíš také, které příznaky mají největší vliv a které jsou zanedbatelné. Nakonec tyto nově nabyté dovednosti využiješ k sestavení výkonnějšího rozhodovacího stromu!

Ladění hyperparametrů

Křížová validace pomocí sklearn

Nastavení parametrů GridSearch

Implementace GridSearch

Důležité příznaky pro predikci odchodu zaměstnanců

Interpretace důležitosti příznaků

Seřazení důležitých příznaků

Výběr důležitých příznaků

Vytvoř a otestuj nejlepší model

Závěrečné myšlenky

Výběr nejlepšího modelu pro predikci odchodů

Employee turnover data

Oblast HR patří mezi ty, které digitální transformace zasáhla nejméně. Nejnovější nástroje a technologie pro sběr a analýzu dat ale umožňují datově řízené rozhodování i v personalistice. Tento kurz ti poskytne pevný základ pro práci s daty o zaměstnancích a pro vytvoření prediktivního modelu, který analyzuje odchody zaměstnanců.

Intermediate Python

Naučte se používat Python k analýze dat zaměstnanců a vytváření modelů pro předpověď fluktuace.

HR Analytics: Predicting Employee Churn in Python

V tomto kurzu se naučíte, jak uplatnit machine learning v oblasti HR.

Assistant Professor of Data Science American University of Armenia

Targeting both leavers and stayers

AUC score

Let's practice!

Vyhodnocení modelu pro predikci odchodů - Zaměření na odcházející i zůstávající zaměstnance

Zaměření na odcházející i zůstávající zaměstnance

Create Your Free Account