In diesem Kapitel lernst du die Fragestellungen kennen, die mit HR Analytics adressiert werden. Außerdem untersuchst du einen Beispiel-HR-Datensatz, den du später weiter analysierst. Du beschreibst und visualisierst einige der wichtigsten Variablen und transformierst sowie bearbeitest den Datensatz, um ihn für die Analyse vorzubereiten.

Einführung und Überblick

Kategorische Variablen finden

Kategorien betrachten

Kategorische Variablen transformieren

Kategorien encodieren

Dummies erstellen

Dummy Trap

Deskriptive Statistik

Korrelationen in den Mitarbeiterdaten

Prozentsatz der Mitarbeitenden mit Churn

Einführung in HR Analytics

Dieses Kapitel führt eine der beliebtesten Klassifikationstechniken ein: den Decision Tree. Du nutzt ihn, um einen Algorithmus zu entwickeln, der die Mitarbeiterfluktuation vorhersagt.

Die Daten aufteilen

Target und Features trennen

Mitarbeiterdaten aufteilen

Einführung in die Entscheidungsbaum-Klassifikation

Gini-Index berechnen

Den Baum aufteilen

Mitarbeiterabwanderung mit Entscheidungsbäumen vorhersagen

Den Baum auf Mitarbeiterdaten fitten

Die Genauigkeit der Vorhersage prüfen

Interpretation des Entscheidungsbaums

Den Baum exportieren

Interpretation der Ergebnisse

Mitarbeiterfluktuation vorhersagen

Hier lernst du, wie du ein Modell evaluierst und verstehst, wie „gut“ es ist. Du vergleichst verschiedene Bäume, um den besten auszuwählen.

Feinabstimmung des Klassifikators zur Mitarbeiterfluktuation

Den Baum beschneiden

Stichprobengröße begrenzen

Das Modell bewerten

Genauigkeitsmetriken interpretieren

Genauigkeitsmetrik berechnen: Precision

Genauigkeitsmetriken berechnen: Recall

Sowohl Leaver als auch Stayer ansprechen

ROC-/AUC-Score berechnen

Unausgewogene Klassen

Klassen ausbalancieren

Vergleich von Modellen zur Mitarbeiterfluktuation

Das Fluktuationsmodell evaluieren

In diesem abschließenden Kapitel lernst du, wie du mit Cross-Validation ein Überanpassen an die Trainingsdaten vermeidest. Außerdem erfährst du, welche Features großen Einfluss haben und welche vernachlässigbar sind. Abschließend setzt du diese neuen Fähigkeiten ein, um einen leistungsfähigeren Decision Tree zu bauen!

Hyperparameter-Tuning

Cross-Validation mit sklearn

GridSearch-Parameter einrichten

GridSearch implementieren

Wichtige Merkmale zur Vorhersage von Fluktuation

Wichtigkeit interpretieren

Wichtige Features sortieren

Wichtige Features auswählen

Entwickle und teste das beste Modell

Abschließende Gedanken

Das beste Fluktuationsmodell auswählen

Employee turnover data

Unter all den Unternehmensbereichen ist HR noch am wenigsten disruptiert. Doch die neuesten Entwicklungen bei Tools und Technologien zur Datenerfassung und -analyse ermöglichen datengetriebene Entscheidungen in allen Bereichen – auch im HR. Dieser Kurs vermittelt dir eine solide Grundlage, um mit Mitarbeiterdaten zu arbeiten und ein Vorhersagemodell zur Analyse der Fluktuation zu entwickeln.

Intermediate Python

Lernen Sie, Python zur Verarbeitung von Mitarbeiterdaten zu nutzen und ein Modell zur Fluktuationsanalyse zu entwickeln.

HR Analytics: Mitarbeiterfluktuation mit Python vorhersagen

In diesem Kurs lernst du, wie du maschinelles Lernen im Personalwesen anwendest.

Assistant Professor of Data Science American University of Armenia

Tuning employee turnover classifier

Overfitting

Pruning the tree

Let's practice!

Das Fluktuationsmodell evaluieren - Feinabstimmung des Klassifikators zur Mitarbeiterfluktuation

Feinabstimmung des Klassifikators zur Mitarbeiterfluktuation

Create Your Free Account