员工离职预测

一、概述

1、项目来源：https://www.dcjingsai.com/static_page/cmpList.html

2、字段信息如下：
训练数据主要包括1100条记录，31个字段，主要字段说明如下：
（1）Age：员工年龄
（2）Attrition：员工是否已经离职，1表示已经离职，2表示未离职，这是目标预测值；
（3）BusinessTravel：商务差旅频率，Non-Travel表示不出差，Travel_Rarely表示不经常出差，Travel_Frequently表示经常出差；
（4）Department：员工所在部门，Sales表示销售部，Research & Development表示研发部，Human Resources表示人力资源部；
（5）DistanceFromHome：公司跟家庭住址的距离，从1到29，1表示最近，29表示最远；
（6）Education：员工的教育程度，从1到5，5表示教育程度最高；
（7）EducationField：员工所学习的专业领域，Life Sciences表示生命科学，Medical表示医疗，Marketing表示市场营销，Technical Degree表示技术学位，Human Resources表示人力资源，Other表示其他；
（8）EmployeeNumber：员工号码；
（9）EnvironmentSatisfaction：员工对于工作环境的满意程度，从1到4，1的满意程度最低，4的满意程度最高；
（10）Gender：员工性别，Male表示男性，Female表示女性；
（11）JobInvolvement：员工工作投入度，从1到4，1为投入度最低，4为投入度最高；
（12）JobLevel：职业级别，从1到5，1为最低级别，5为最高级别；
（13）JobRole：工作角色：Sales Executive是销售主管，Research Scientist是科学研究员，Laboratory Technician实验室技术员，Manufacturing Director是制造总监，Healthcare Representative是医疗代表，Manager是经理，Sales Representative是销售代表，Research Director是研究总监，Human Resources是人力资源；
（14）JobSatisfaction：工作满意度，从1到4，1代表满意程度最低，4代表满意程度最高；
（15）MaritalStatus：员工婚姻状况，Single代表单身，Married代表已婚，Divorced代表离婚；
（16）MonthlyIncome：员工月收入，范围在1009到19999之间；
（17）NumCompaniesWorked：员工曾经工作过的公司数；
（18）Over18：年龄是否超过18岁；
（19）OverTime：是否加班，Yes表示加班，No表示不加班；
（20）PercentSalaryHike：工资提高的百分比；
（21）PerformanceRating：绩效评估；
（22）RelationshipSatisfaction：关系满意度，从1到4，1表示满意度最低，4表示满意度最高；
（23）StandardHours：标准工时；
（24）StockOptionLevel：股票期权水平；
（25）TotalWorkingYears：总工龄；
（26）TrainingTimesLastYear：上一年的培训时长，从0到6，0表示没有培训，6表示培训时间最长；
（27）WorkLifeBalance：工作与生活平衡程度，从1到4，1表示平衡程度最低，4表示平衡程度最高；
（28）YearsAtCompany：在目前公司工作年数；
（29）YearsInCurrentRole：在目前工作职责的工作年数
（30）YearsSinceLastPromotion：距离上次升职时长
（31）YearsWithCurrManager：跟目前的管理者共事年数；

3、使用方法：分类算法（逻辑回归、随机森林）
4、目的：混淆矩阵测算验证集正确率越高越好

二、分析过程

读入数据并将单一变量删除（年满18岁、标准工时、员工编号为常量）

setwd("E:/R数据源/员工离职预测训练赛")
data<-read.csv("pfm_train.csv",header = T,encoding = "UTF-8")
head(data)str(data)
summary(data)
#年满18岁、标准工时、员工编号为常量，删除。
data<-data[,-c(8,18,23)]

作图观察各自变量与是否离职影响程度

library(ggplot2)
library(stringi)
library(stringr)
library(reshape2)
library(labeling)#年龄、性别与是否离职关系图
p1<-ggplot(data, aes(X.U.FEFF.Age, fill = factor(Attrition))) + geom_histogram(bins=30) + facet_grid(.~Gender)+ labs(fill="Attrition")+ xlab("Age")+ylab("Total Count")#工作水平、部门与是否离职关系图
p2<-ggplot(data, aes(x = JobLevel, fill = as.factor(Attrition))) +geom_bar() +facet_grid(.~Department)+xlab("Job Level")+  ylab("Total Count")+ labs(fill = "Attrition")#出差情况、部门与是否离职关系图
p3<-ggplot(data, aes(x = BusinessTravel, fill = as.factor(Attrition))) +geom_bar() +facet_grid(.~Department)+xlab("BusinessTravel")+  ylab("Total Count")+ labs(fill = "Attrition")#月收入与离职情况关系图
p4<-ggplot(data, aes(MonthlyIncome, fill = factor(Attrition))) + geom_histogram(bins=30) + labs(fill="Attrition")+ xlab("MonthlyIncome")+ylab("Total Count")#婚姻状况、性别与是否离职关系图
p5<-ggplot(data, aes(x = MaritalStatus, fill = factor(Attrition))) + geom_bar() + facet_grid(.~Gender)+ labs(fill="Attrition")+ xlab("MaritalStatus")+ylab("Total Count")#加班情况与是否离职关系图
p6<-ggplot(data, aes(x = OverTime, fill = factor(Attrition))) + geom_bar() + labs(fill="Attrition")+ xlab("OverTime")+ylab("Total Count")

#合并展示

library(plyr)
library(lattice)
library(Rmisc)
multiplot(p1,p2,cols=2)
multiplot(p3,p4,p5,p6,cols=2)

由上图可以看出，离职人员特征包括偏年轻化，男性稍多，单身，月收入较低，加班等。

将年龄、月收入连续性变量离散化：

data$X.U.FEFF.Age[data$X.U.FEFF.Age<25]<-1
data$X.U.FEFF.Age[data$X.U.FEFF.Age>=25&data$X.U.FEFF.Age<35]<-2
data$X.U.FEFF.Age[data$X.U.FEFF.Age>=35&data$X.U.FEFF.Age<45]<-3
data$X.U.FEFF.Age[data$X.U.FEFF.Age>=45&data$X.U.FEFF.Age<55]<-4
data$X.U.FEFF.Age[data$X.U.FEFF.Age>=55]<-5
#转化为因子类型
data$X.U.FEFF.Age<-factor(data$X.U.FEFF.Age)

data$MonthlyIncome[data$MonthlyIncome<=3000]<-1
data$MonthlyIncome[data$MonthlyIncome>3000 & data$MonthlyIncome<=6000]<-2
data$MonthlyIncome[data$MonthlyIncome>6000 & data$MonthlyIncome<=9000]<-3
data$MonthlyIncome[data$MonthlyIncome>9000 & data$MonthlyIncome<=12000]<-4
data$MonthlyIncome[data$MonthlyIncome>12000 & data$MonthlyIncome<=17000]<-5
data$MonthlyIncome[data$MonthlyIncome>17000]<-6
#转化为因子类型
data$MonthlyIncome<-factor(data$MonthlyIncome)

各特征值重要性展示：

library(mlbench)
library(caret)control <- trainControl(method="repeatedcv", number=10, repeats=3)
model <- train(Attrition~., data=data, method="lvq", preProcess="scale", trControl=control)
importance <- varImp(model, scale=FALSE)
print(importance)
plot(importance)

特征值选取：选取几个特征值时正确性最高

control1 <- rfeControl(functions=rfFuncs, method="cv", number=10)
results <- rfe(data[,-2], data[,2], sizes=c(1:8), rfeControl=control1)
print(results)
predictors(results)
plot(results, type=c("g", "o"))

****？（结果有误？）

分类建模
分类标签列转化为因子类型

data$Attrition<-factor(data$Attrition,levels=c(0,1))

划分训练集与验证集：

data_train<-sample(nrow(data),0.7*nrow(data))
df.train<-data[data_train,]
df.validate<-data[-data_train,]

逻辑回归：

g1<-glm(Attrition~.,data=df.train,family=binomial())
summary(g1)

对模型进行验证：

prob<-predict(g1,df.validate,type="response")
logit.pred<-factor(prob>0.5,levels=c(F,T),labels=c(0,1))
table(df.validate$Attrition,logit.pred,dnn=c("实际","预测"))

三、分类预测

读入测试集进行预测（需要对测试集按照训练集进行相同处理：删除常量，年龄、月收入离散化）

test<-read.csv("pfm_test.csv",header = T,encoding = "UTF-8")
head(test)
test<-test[,-c(7,17,22)]

test$X.U.FEFF.Age[test$X.U.FEFF.Age<25]<-1
test$X.U.FEFF.Age[test$X.U.FEFF.Age>=25&test$X.U.FEFF.Age<35]<-2
test$X.U.FEFF.Age[test$X.U.FEFF.Age>=35&test$X.U.FEFF.Age<45]<-3
test$X.U.FEFF.Age[test$X.U.FEFF.Age>=45&test$X.U.FEFF.Age<55]<-4
test$X.U.FEFF.Age[test$X.U.FEFF.Age>=55]<-5
test$X.U.FEFF.Age<-factor(test$X.U.FEFF.Age)test$MonthlyIncome[test$MonthlyIncome<=3000]<-1
test$MonthlyIncome[test$MonthlyIncome>3000 & test$MonthlyIncome<=6000]<-2
test$MonthlyIncome[test$MonthlyIncome>6000 & test$MonthlyIncome<=9000]<-3
test$MonthlyIncome[test$MonthlyIncome>9000 & test$MonthlyIncome<=12000]<-4
test$MonthlyIncome[test$MonthlyIncome>12000 & test$MonthlyIncome<=17000]<-5
test$MonthlyIncome[test$MonthlyIncome>17000]<-6
test$MonthlyIncome<-factor(test$MonthlyIncome)

模型结果预测并输出：

test_prob<-predict(g1,test,type="response")
test_logit.pred<-factor(test_prob>0.5,levels=c(F,T),labels=c(0,1))
head(test_logit.pred)
write.csv(test_logit.pred,file = "E:/R数据源/员工离职预测训练赛/test_pred.csv")

目前排名：320/2290

结果尚待优化，尝试决策树、随机森林算法结果不佳，进行特征组合提示：

特征组合及参数优化方面改进方法欢迎指导。

DC算法竞赛——员工离职预测相关推荐

天池竞赛员工离职预测训练赛
组员:欧阳略.陶奇辉.王曙光.吴轩毅数据来源:天池大数据竞赛员工离职预测训练赛中的数据大致数据截图如下根据所给数据,我组利用Pycharm编程源代码截图如下最终,我组预测准确率为0.89,基本 ...
数据挖掘竞赛-员工离职预测训练赛
员工离职预测简介 DC的一道回归预测题.是比较基础的分类问题,主要对逻辑回归算法的使用.核心思路为属性构造+逻辑回归. 过程数据获取报名参与比赛即可获得数据集的百度网盘地址,这个比赛时间很久,随 ...
员工离职预测（logistic)(R语言)
员工离职预测(logistic) 出于工作需要及个人兴趣,学习数据分析及R语言是差不多2年前,第一篇更新的文章为m久前做的员工离职预测,当时做这个项目的主要是为了学习logistic算法,数据来源为D ...
机器学习-员工离职预测训练赛
[数据来源]DC竞赛的员工离职预测训练赛一共两个csv表格,pfm_train.csv训练(1100行,31个字段),pfm_test.csv测试集(350行,30个字段) [字段说明] Age:员 ...
基于集成学习方法Random Forest、Adaboost、GBDT、LightGBM、XGBoost的调参、建模、评估实现kaggle竞赛员工离职案例分析（2）
基于集成学习方法Random Forest.Adaboost.GBDT.LightGBM.XGBoost的调参.建模.评估实现kaggle竞赛员工离职案例分析(2) 引言 3. adaboost模型分 ...
kaggle员工离职预测——SVC
一.比赛说明比赛地址:https://www.kaggle.com/c/bi-attrition-predict 问题描述数据包括员工的各种统计信息,以及该员工是否已经离职,统计的信息包括工资.出 ...
吃鸡排名预测挑战赛空气质量预测英雄联盟大师预测手机行为识别员工离职预测猫十二分类体验赛
1.吃鸡排名预测挑战赛 https://aistudio.baidu.com/aistudio/competition/detail/155/0/introduction 2.空气质量预测https: ...
r语言员工离职_使用R机器学习进行员工离职预测系列(一）
最近一直觉得,其实机器学习的门槛并不高,以R语言的角度,甚至稍微学过一点,就可以针对相关数据进行各种算法模型的建立和测试. 而真正有难度的地方一是算法优化部分,二是和对于模型评价的部分,这两个部分往往 ...
基于python的kaggle练习(二)——员工离职预测
前沿目前社会上呈现出一种公司招不到人,大批失业人员的矛盾现象,且大部分公司的离职率居高不下,很多入职没多久就辞职,所花费的培训招聘等资源都浪费了.为了弄清楚公司员工离职原因,通过kaggle上某一家 ...
员工离职预测逻辑回归
import numpy as np import pandas as pd from sklearn.preprocessing import LabelEncoder#中文编码为数字 import ...

DC算法竞赛——员工离职预测

员工离职预测

一、概述

二、分析过程

三、分类预测

DC算法竞赛——员工离职预测相关推荐

最新文章

热门文章