En este capítulo conocerás los problemas que aborda la analítica de RR. HH. y explorarás un conjunto de datos de ejemplo que analizaremos más adelante. Describirás y visualizarás algunas variables clave, y transformarás y manipularás el conjunto de datos para dejarlo listo para el análisis.

Introducción y panorama general

Encontrar variables categóricas

Observar variables categóricas

Transformar variables categóricas

Codificación de categorías

Creando dummies

Trampa de dummies

Estadística descriptiva

Correlaciones en los datos de empleados

Porcentaje de empleados que churn

Introducción a la analítica de RR. HH.

Este capítulo presenta una de las técnicas de clasificación más populares: el árbol de decisión. Lo usarás para desarrollar un algoritmo que prediga la rotación de empleados.

Dividir los datos

Separar target y features

Dividir los datos de empleados

Introducción a la clasificación con árboles de decisión

Calcular el índice Gini

Dividir el árbol

Predecir la rotación de empleados con árboles de decisión

Ajustar el árbol a los datos de empleados

Comprobar la precisión de la predicción

Interpretación del árbol de decisión

Exportar el árbol

Interpretación de resultados

Predecir la rotación de empleados

Aquí aprenderás a evaluar un modelo y a entender qué tan "bueno" es. Compararás distintos árboles para elegir el mejor entre ellos.

Ajuste del clasificador de rotación de empleados

Poda del árbol

Limitando el tamaño de la muestra

Evaluar el modelo

Interpretar métricas de exactitud

Cálculo de métricas de exactitud: precisión

Cálculo de métricas de precisión: recall

Dirigirse tanto a quienes se van como a quienes se quedan

Calcular la puntuación ROC/AUC

Desbalanceo de clases

Equilibrar clases

Comparación de modelos de rotación de empleados

Evaluar el modelo de predicción de rotación

En este capítulo final, aprenderás a usar la validación cruzada para evitar el sobreajuste a los datos de entrenamiento. También aprenderás a identificar qué características tienen impacto y cuáles son despreciables. Por último, aplicarás estas nuevas habilidades para construir un árbol de decisión con mejor rendimiento.

Ajuste de hiperparámetros

Validación cruzada con sklearn

Configurar los parámetros de GridSearch

Implementar GridSearch

Características importantes para predecir la rotación

Interpretar la importancia

Ordenar las características más importantes

Seleccionar características importantes

Desarrolla y prueba el mejor modelo

Reflexiones finales

Elegir el mejor modelo de predicción de rotación

Employee turnover data

Entre todos los ámbitos de negocio, RR. HH. sigue siendo de los menos transformados. Sin embargo, los últimos avances en herramientas y tecnologías de recopilación y análisis de datos permiten tomar decisiones basadas en datos en todas las áreas, incluido RR. HH. Este curso te dará una base sólida para trabajar con datos de empleados y desarrollar un modelo predictivo para analizar la rotación de personal.

Intermediate Python

Aprende a usar Python para procesar datos de empleados y crear un modelo predictivo con árboles de decisión.

Analítica de RR. HH.: Predicción de rotación de empleados en Python

En este curso aprenderás a aplicar machine learning en el ámbito de los recursos humanos.

Correlaciones en los datos de empleados

Analítica de RR. HH.: Predicción de rotación de empleados en Python

Ejercicio interactivo práctico