Kompromisy przy resamplingowi

Duża firma technologiczna chce przewidywać rotację pracowników, aby poprawić wskaźniki retencji. Tylko 12% pracowników odeszło z firmy, więc model jest trenowany głównie na przypadkach „zostaje" (88%), co utrudnia wykrywanie osób zagrożonych odejściem.

Aby zniwelować tę nierównowagę, analitycy HR stosują syntetyczny resampling, tworząc więcej przypadków „odchodzi" i wyrównując dane.

Kluczowe wymaganie: model powinien unikać błędnej klasyfikacji lojalnych pracowników jako „kandydatów do odejścia", aby nie marnować zasobów na niepotrzebne działania retencyjne.

Model jest oceniany za pomocą:

• Dokładności na zbiorze treningowym: odsetek poprawnych predykcji na danych treningowych.
• Dokładności na zbiorze testowym: odsetek poprawnych predykcji na nowych danych.
• Precyzji: jaki odsetek przewidywanych odejść rzeczywiście nastąpił.

Metryka	Model A (bez resamplingowi)	Model B (z resamplingiem)
Dokładność treningowa	85%	95%
Dokładność testowa	82%	85%
Precyzja	80%	68%