In this chapter you will learn about the problems addressed by HR analytics, as well as will explore a sample HR dataset that will further be analyzed. You will describe and visualize some of the key variables, transform and manipulate the dataset to make it ready for analytics.

Introduction and overview

Finding categorical variables

Observing categoricals

Transforming categorical variables

Encoding categories

Getting dummies

Dummy trap

Descriptive statistics

Correlations in the employee data

Percentage of employees who churn

Introduction to HR Analytics

This chapter introduces one of the most popular classification techniques: the Decision Tree. You will use it to develop an algorithm that predicts employee turnover.

Splitting the data

Separating Target and Features

Spliting employee data

Introduction to Decision Tree classification

Computing Gini index

Splitting the tree

Predicting employee churn using decision trees

Fitting the tree to employee data

Checking the accuracy of prediction

Interpretation of the decision tree

Exporting the tree

Interpretation of results

Predicting employee turnover

Here, you will learn how to evaluate a model and understand how "good" it is. You will compare different trees to choose the best among them.

Ottimizzare il classificatore di abbandono del personale

Potatura dell'albero

Limitare la dimensione del campione

Valutare il modello

Interpretare le metriche di accuracy

Calcolare le metriche di accuratezza: precision

Calcolare le metriche di accuratezza: recall

Targeting sia chi lascia sia chi resta

Calcolare lo score ROC/AUC

Squilibrio di classe

Bilanciamento delle classi

Confronto dei modelli di abbandono del personale

Evaluating the turnover prediction model

In this final chapter, you will learn how to use cross-validation to avoid overfitting the training data. You will also learn how to know which features are impactful, and which are negligible. Finally, you will use these newly acquired skills to build a better performing Decision Tree!

Hyperparameter tuning

Cross-validation using sklearn

Setting up GridSearch parameters

Implementing GridSearch

Important features for predicting attrition

Interpreting importance

Sorting important features

Selecting important features

Develop and test the best model

Final thoughts

Choosing the best turnover prediction model

Employee turnover data

Tra tutti i settori aziendali, l’HR è ancora quello meno trasformato. Tuttavia, i recenti sviluppi negli strumenti e nelle tecnologie di raccolta e analisi dei dati consentono decisioni guidate dai dati in ogni ambito, incluso l’HR. Questo corso ti offrirà una base solida per lavorare con i dati dei dipendenti e sviluppare un modello predittivo per analizzare il turnover.

Intermediate Python

Impara a usare Python per elaborare dati dei dipendenti e sviluppare modelli predittivi con alberi decisionali.

HR Analytics: prevedere l'abbandono dei dipendenti in Python

In questo corso imparerai come usare l'apprendimento automatico nel campo delle risorse umane.

Assistant Professor of Data Science American University of Armenia

Tuning employee turnover classifier

Overfitting

Pruning the tree

Let's practice!

Evaluating the turnover prediction model - Ottimizzare il classificatore di abbandono del personale

Ottimizzare il classificatore di abbandono del personale

Create Your Free Account