În acest capitol vei afla ce probleme rezolvă HR Analytics și vei explora un set de date HR pe care îl vei analiza în continuare. Vei descrie și vizualiza câteva variabile-cheie, vei transforma și prelucra setul de date pentru a-l pregăti pentru analiză.

Introducere și prezentare generală

Identificarea variabilelor categoriale

Explorarea variabilelor categorice

Transformarea variabilelor categorice

Codificarea categoriilor

Crearea variabilelor dummy

Capcana variabilelor dummy

Statistici descriptive

Corelații în datele despre angajați

Procentul angajaților care pleacă din companie

Introducere în HR Analytics

Acest capitol prezintă una dintre cele mai populare tehnici de clasificare: Arborele de decizie. Îl vei folosi pentru a dezvolta un algoritm care să prezică fluctuația angajaților.

Împărțirea datelor

Separarea țintei și a caracteristicilor

Împărțirea datelor despre angajați

Introducere în clasificarea cu arbori de decizie

Calcularea indicelui Gini

Împărțirea arborelui

Predicția fluctuației angajaților cu ajutorul arborilor de decizie

Antrenarea arborelui pe datele angajaților

Verificarea acurateței predicției

Interpretarea arborelui de decizie

Exportarea arborelui

Interpretarea rezultatelor

Predicția fluctuației angajaților

Aici vei învăța cum să evaluezi un model și să înțelegi cât de „bun" este acesta. Vei compara diferiți arbori pentru a-l alege pe cel mai potrivit.

Ajustarea clasificatorului de predicție a fluctuației angajaților

Tăierea arborelui

Limitarea dimensiunii eșantionului

Evaluarea modelului

Interpretarea metricilor de acuratețe

Calcularea metricilor de acuratețe: precizia

Calcularea metricilor de acuratețe: recall

Direcționarea atât a angajaților care pleacă, cât și a celor care rămân

Calcularea scorului ROC/AUC

Dezechilibrul claselor

Echilibrarea claselor

Compararea modelelor de predicție a fluctuației angajaților

Evaluarea modelului de predicție a fluctuației

În acest capitol final, vei învăța să folosești validarea încrucișată pentru a evita supraadaptarea la datele de antrenament. Vei descoperi și care caracteristici au un impact semnificativ și care sunt neglijabile. În final, vei aplica aceste cunoștințe noi pentru a construi un Arbore de decizie cu performanțe mai bune!

Ajustarea hiperparametrilor

Validarea încrucișată cu sklearn

Configurarea parametrilor pentru GridSearch

Implementarea GridSearch

Caracteristici importante pentru predicția fluctuației de personal

Interpretarea importanței

Sortarea caracteristicilor importante

Selectarea caracteristicilor importante

Dezvoltă și testează cel mai bun model

Gânduri finale

Alegerea celui mai bun model de predicție a fluctuației

Employee turnover data

Dintre toate domeniile de business, HR-ul rămâne cel mai puțin transformat de tehnologie. Totuși, progresele recente în colectarea și analiza datelor permit luarea deciziilor bazate pe date în toate ariile, inclusiv în HR. Acest curs îți oferă o bază solidă pentru a lucra cu date despre angajați și pentru a dezvolta un model predictiv care să analizeze fluctuația de personal.

Intermediate Python

Învață să folosești Python pentru a procesa datele angajaților și a dezvolta un model predictiv.

HR Analytics: Predicția fluctuației angajaților în Python

În acest curs vei învăța cum să aplici machine learning în domeniul HR.

Assistant Professor of Data Science American University of Armenia

Predicția plecării angajaților cu arbori de decizie

Arbore de decizie în Python

Să exersăm!

Predicția fluctuației angajaților - Predicția fluctuației angajaților cu ajutorul arborilor de decizie

Predicția fluctuației angajaților cu ajutorul arborilor de decizie

Create Your Free Account