Dans ce chapitre, vous découvrirez les types de problèmes que l'analytique RH permet d'aborder et explorerez un exemple d'ensemble de données RH qui sera analysé par la suite. Vous décrirez et visualiserez certaines variables clés, puis transformerez et manipulerez l'ensemble de données pour le rendre prêt pour l'analyse.

Introduction et aperçu

Repérer les variables catégorielles

Observer les variables catégorielles

Transformation des variables catégorielles

Encodage des catégories

Créer des variables indicatrices

Piège des variables fictives

Statistiques descriptives

Corrélations dans les données sur les employés

Pourcentage d'employés ayant quitté

Introduction à l'analytique RH

Ce chapitre présente l'une des techniques de classification les plus populaires : l'arbre de décision. Vous l'utiliserez pour développer un algorithme qui prédit le roulement du personnel.

Fractionner les données

Séparer la cible et les variables explicatives

Division des données des employés

Introduction à la classification par arbre de décision

Calcul de l'indice de Gini

Fractionner l'arbre

Prédire le roulement du personnel à l'aide d'arbres de décision

Ajuster l'arbre aux données des employés

Vérifier la précision des prédictions

Interprétation de l'arbre de décision

Exporter l'arbre

Interprétation des résultats

Prédire le roulement du personnel

Ici, vous apprendrez à évaluer un modèle et à comprendre à quel point il est « bon ». Vous comparerez différents arbres afin de choisir le meilleur.

Ajuster le classificateur d'attrition du personnel

Élaguer l'arbre

Limiter la taille de l'échantillon

Évaluer le modèle

Interpréter les mesures d'exactitude

Calcul des mesures de justesse : précision

Calcul des mesures d'exactitude : rappel

Cibler à la fois les personnes qui quittent et celles qui restent

Calcul du score ROC/AUC

Déséquilibre des classes

Équilibrer les classes

Comparaison des modèles d'attrition des employés

Évaluer le modèle de prédiction du roulement

Dans ce dernier chapitre, vous apprendrez à utiliser la validation croisée pour éviter le surapprentissage des données d'entraînement. Vous verrez aussi comment déterminer quelles caractéristiques ont un impact et lesquelles sont négligeables. Enfin, vous mettrez ces nouveaux acquis en pratique pour construire un arbre de décision plus performant !

Ajustement des hyperparamètres

Validation croisée avec sklearn

Configurer les paramètres de GridSearch

Mettre en œuvre GridSearch

Variables importantes pour prédire l'attrition

Interpréter l'importance

Trier les caractéristiques importantes

Sélection des caractéristiques importantes

Développer et tester le meilleur modèle

Dernières réflexions

Choisir le meilleur modèle de prédiction du roulement

Employee turnover data

Parmi tous les secteurs d'affaires, les RH demeurent l'un des moins transformés. Or, les plus récents outils et technologies de collecte et d'analyse de données permettent maintenant de prendre des décisions fondées sur les données dans toutes les dimensions, y compris les RH. Ce cours vous donnera de solides bases pour travailler avec des données d'employés et élaborer un modèle prédictif pour analyser le roulement du personnel.

Intermediate Python

Apprenez à utiliser Python pour traiter les données des employés et développer un modèle prédictif.

Analytique RH : prédire le roulement du personnel avec Python

Dans ce cours, vous apprendrez à appliquer l’apprentissage automatique dans le domaine des RH.

Assistant Professor of Data Science American University of Armenia

Targeting both leavers and stayers

AUC score

Let's practice!

Évaluer le modèle de prédiction du roulement - Cibler à la fois les personnes qui quittent et celles qui restent

Cibler à la fois les personnes qui quittent et celles qui restent

Create Your Free Account