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.

Suddividere i dati

Separare target e feature

Suddividere i dati dei dipendenti

Introduzione alla classificazione con Decision Tree

Calcolo dell'indice di Gini

Suddividere l'albero

Prevedere il churn dei dipendenti con gli alberi decisionali

Addestrare l’albero sui dati dei dipendenti

Verificare l'accuratezza delle previsioni

Interpretazione dell'albero decisionale

Esportare l'albero

Interpretazione dei risultati

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.

Tuning employee turnover classifier

Pruning the tree

Limiting the sample size

Evaluating the model

Interpreting accuracy metrics

Calculating accuracy metrics: precision

Calculating accuracy metrics: recall

Targeting both leavers and stayers

Calculating the ROC/AUC score

Class imbalance

Balancing classes

Comparison of Employee attrition models

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.

Interpretazione dei risultati

HR Analytics: prevedere l'abbandono dei dipendenti in Python

Esercizio pratico interattivo