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.

Splitting the data

Separating Target and Features

Spliting employee data

Introduction to Decision Tree classification

Computing Gini index

Splitting the tree

Predicting employee churn using decision trees

Fitting the tree to employee data

Checking the accuracy of prediction

Interpretation of the decision tree

Exporting the tree

Interpretation of results

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.

Çalışan ayrılma sınıflandırıcısını ayarlama

Ağacı budama

Örneklem boyutunu sınırlama

Modeli değerlendirme

Doğruluk metriklerini yorumlama

Doğruluk ölçütlerini hesaplama: precision

Doğruluk ölçümleri: recall hesaplama

Ayrılacakları ve kalacakları birlikte hedeflemek

ROC/AUC skorunu hesaplama

Sınıf dengesizliği

Sınıfları dengeleme

Çalışan ayrılma (attrition) modellerinin karşılaştırılması

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

İş alanları arasında en az dönüşümü yaşayan hâlâ İK. Ancak veri toplama ve analiz araçlarındaki son gelişmeler, İK dahil tüm boyutlarda veriye dayalı karar almayı mümkün kılıyor. Bu kurs, çalışan verileriyle çalışmak ve çalışan ayrılmasını (turnover) analiz etmek için bir tahmin modeli geliştirmek konusunda sağlam bir temel sağlayacak.

Intermediate Python

Python ile çalışan verilerini işleyip karar ağaçlarıyla çalışan devrini analiz etmeyi öğrenin.

İK Analitiği: Python ile Çalışan Terkini (Churn) Tahmin Etme

Bu kursta, insan kaynakları alanında makine öğrenimini nasıl uygulayacağınızı öğreneceksiniz.

Doğruluk metriklerini yorumlama

İK Analitiği: Python ile Çalışan Terkini (Churn) Tahmin Etme

Uygulamalı interaktif egzersiz