I det här kapitlet får du lära dig om de problem som HR-analys tar sig an, och du utforskar ett urval av HR-data som sedan analyseras vidare. Du beskriver och visualiserar några av de viktigaste variablerna, och omvandlar och bearbetar datamängden så att den är redo för analys.

Introduktion och översikt

Hitta kategoriska variabler

Utforska kategoriska variabler

Omvandla kategoriska variabler

Koda kategorier

Skapa dummyvariabler

Dummyfällan

Deskriptiv statistik

Korrelationer i medarbetardata

Andel anställda som slutar

Introduktion till HR-analys

Det här kapitlet introducerar en av de mest populära klassificeringsteknikerna: beslutsträdet. Du använder det för att utveckla en algoritm som förutsäger personalomsättning.

Dela upp data

Separera mål och särdrag

Dela upp medarbetardata

Introduktion till beslutsträdsklassificering

Beräkna Gini-index

Dela upp trädet

Förutsäga personalomsättning med beslutsträd

Anpassa trädet till medarbetardata

Kontrollera förutsägelsernas noggrannhet

Tolkning av beslutsträdet

Exportera beslutsträdet

Tolkning av resultat

Förutsäg personalomsättning

Här lär du dig hur du utvärderar en modell och förstår hur "bra" den är. Du jämför olika träd för att välja det bästa.

Finjustera klassificeraren för personalomsättning

Beskär beslutsträdet

Begränsa minsta antalet observationer per löv

Utvärdera modellen

Tolka noggrannhetsmått

Beräkna noggrannhetsmått: precision

Beräkna noggrannhetsmått: recall

Att identifiera både de som slutar och de som stannar

Beräkna ROC/AUC-poängen

Obalans i klasser

Balansera klasser

Jämförelse av modeller för personalomsättning

Utvärdera modellen för omsättningsförutsägelse

I det här avslutande kapitlet lär du dig att använda korsvalidering för att undvika att överanpassa träningsdata. Du lär dig också att avgöra vilka särdrag som är viktiga och vilka som kan ignoreras. Slutligen använder du dessa nyförvärvade kunskaper för att bygga ett bättre beslutsträd!

Hyperparameterjustering

Korsvalidering med sklearn

Konfigurera parametrar för GridSearch

Implementera GridSearch

Viktiga särdrag för att förutsäga personalomsättning

Tolka viktighet

Sortera viktiga särdrag

Välja viktiga särdrag

Utveckla och testa den bästa modellen

Avslutande tankar

Välj den bästa modellen för omsättningsförutsägelse

Employee turnover data

Bland alla affärsområden är HR fortfarande det minst förändrade av digitaliseringen. De senaste framstegen inom datainsamling och analysverktyg gör det nu möjligt att fatta datadrivna beslut inom alla delar av verksamheten – inklusive HR. Den här kursen ger dig en stabil grund för att arbeta med personaldata och utveckla en prediktiv modell för att analysera personalomsättning.

Intermediate Python

Lär dig använda Python för att hantera anställdas data och utveckla en modell för personalomsättning.

HR-analys: Förutsäg personalomsättning i Python

I den här kursen lär du dig att tillämpa maskininlärning inom HR-området.

Assistant Professor of Data Science American University of Armenia

Targeting both leavers and stayers

AUC score

Let's practice!

Utvärdera modellen för omsättningsförutsägelse - Att identifiera både de som slutar och de som stannar

Att identifiera både de som slutar och de som stannar

Create Your Free Account