이 장에서는 HR analytics가 해결하는 문제를 살펴보고, 이후 분석에 사용할 예시 HR 데이터셋을 탐색합니다. 주요 변수를 기술하고 시각화하며, 분석에 적합하도록 데이터셋을 변환하고 가공하는 방법을 배우게 됩니다.

소개와 개요

범주형 변수 찾기

범주형 변수 살펴보기

범주형 변수를 변환하기

범주 인코딩

더미 변수 만들기

더미 트랩

기술 통계

직원 데이터의 상관관계

퇴사한 직원의 비율

HR Analytics 소개

이 장에서는 가장 널리 쓰이는 분류 기법 중 하나인 Decision Tree를 소개합니다. 이를 활용해 직원 이탈을 예측하는 알고리즘을 만들어 봅니다.

데이터 분할하기

Target과 Features 분리하기

직원 데이터 분할하기

Decision Tree 분류 소개

Gini 지수 계산하기

트리 분할하기

의사결정나무로 직원 이탈 예측하기

직원 데이터에 트리 모델 학습시키기

예측 정확도 확인하기

의사결정나무 해석

트리 내보내기

결과 해석

직원 이탈 예측하기

여기서는 모델을 어떻게 평가하고, 모델이 얼마나 ‘좋은지’를 이해하는 방법을 배웁니다. 여러 트리를 비교하여 그중에서 가장 좋은 모델을 선택합니다.

직원 이직 예측 분류기 튜닝하기

트리 가지치기(Pruning)

샘플 크기 제한하기

모델 평가하기

정확도 지표 해석하기

정확도 지표 계산: 정밀도(Precision)

정확도 지표 계산: 재현율(recall)

퇴사자와 잔류자 모두를 대상으로

ROC/AUC 점수 계산하기

클래스 불균형

클래스 가중치 균형 잡기

Employee 이탈 예측 모델 비교

이탈 예측 모델 평가하기

마지막 장에서는 과적합을 피하기 위해 교차 검증을 사용하는 방법을 배웁니다. 또한 어떤 특성이 영향력이 크고, 어떤 특성이 미미한지도 파악합니다. 끝으로, 새로 익힌 기술을 활용해 성능이 더 뛰어난 Decision Tree를 구축합니다!

하이퍼파라미터 튜닝

sklearn으로 교차 검증하기

GridSearch 하이퍼파라미터 설정

GridSearch 구현하기

이직 예측에 중요한 특성

중요도 해석하기

중요한 특성 정렬하기

중요한 특성 선택하기

최적 모델 개발 및 테스트

마무리 정리

최적의 이탈 예측 모델 선택하기

Employee turnover data

여러 비즈니스 영역 가운데 HR은 상대적으로 변화가 더딘 편이지만, 최근의 데이터 수집·분석 도구와 기술 발전으로 HR을 포함한 모든 영역에서 데이터 기반 의사결정이 가능해지고 있습니다. 이 강의에서는 직원 데이터를 다루는 기초를 다지고, 직원 이탈을 분석하기 위한 예측 모델을 구축하는 방법을 배웁니다.

Intermediate Python

파이썬으로 직원 데이터를 처리하고 의사결정 트리로 이직 예측 모델을 개발하는 방법 배우기.

HR Analytics: Python으로 직원 이탈 예측하기

이 과목에서는 HR 분야에 머신러닝을 적용하는 방법을 학습합니다.

Assistant Professor of Data Science American University of Armenia

Targeting both leavers and stayers

AUC score

Let's practice!

이탈 예측 모델 평가하기 - 퇴사자와 잔류자 모두를 대상으로

퇴사자와 잔류자 모두를 대상으로

Create Your Free Account