Dans ce chapitre, vous découvrirez les problématiques traitées par l’analytique RH et explorerez un jeu de données RH exemple qui sera analysé par la suite. Vous décrirez et visualiserez certaines variables clés, puis transformerez et manipulerez le jeu de données pour le rendre prêt pour l’analyse.

Introduction et vue d’ensemble

Identifier les variables catégorielles

Observer les variables catégorielles

Transformer des variables catégorielles

Encoder des catégories

Créer des variables indicatrices

Piège des variables fictives

Statistiques descriptives

Corrélations dans les données des employés

Pourcentage d’employés ayant quitté l’entreprise

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 turnover des employés.

Scinder les données

Séparer la cible et les features

Fractionner les données des employés

Introduction à la classification par arbre de décision

Calculer l’indice de Gini

Découper l’arbre

Prédire l’attrition des employés avec des 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 turnover des employés

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

Ajuster le classifieur de départ des employés

Élaguer l’arbre

Limiter la taille de l’échantillon

Évaluer le modèle

Interpréter les métriques de précision

Calculer des métriques de précision : precision

Calcul des métriques de précision : rappel

Cibler à la fois les partants et les restants

Calcul du score ROC/AUC

Déséquilibre de classes

Équilibrer les classes

Comparaison des modèles de turnover des employés

Évaluer le modèle de prédiction du turnover

Dans ce dernier chapitre, vous apprendrez à utiliser la validation croisée pour éviter le surapprentissage des données d’entraînement. Vous verrez aussi comment identifier les variables les plus influentes et celles qui le sont peu. Enfin, vous mettrez en pratique ces compétences 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 turnover

Employee turnover data

Parmi tous les domaines métiers, les RH restent les moins transformées. Pourtant, les récents progrès des outils et technologies de collecte et d’analyse des données permettent désormais une prise de décision fondée sur les données dans toutes les dimensions, y compris les RH. Ce cours vous apportera des bases solides pour traiter des données d’employés et développer un modèle prédictif afin d’analyser le turnover.

Intermediate Python

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

Analytique RH : prédire l’attrition des employés en Python

Dans ce cours, vous apprendrez à appliquer l'apprentissage automatique dans le domaine des ressources humaines.

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 turnover - Cibler à la fois les partants et les restants

Cibler à la fois les partants et les restants

Create Your Free Account