Прогнозирование увольнения сотрудников с использованием машинного обучения

Predicting Employee Attrition using Machine Learning
Sarah S. Alduayj, Kashif Rajpoot
2018-11-01

ADASYNF1-мерасинтетические данные IBM Watsonметод k ближайших соседей (KNN)несбалансированность классовтекучесть сотрудниковотбор признаковмашинное обучениеслучайный лесметод опорных векторов (SVM)андерсэмплинг
Растущий интерес руководителей компаний и лиц, принимающих решения, к машинному обучению требует от исследователей изучения возможностей его применения в организациях. Одной из основных проблем, с которыми сталкиваются руководители компаний, является потеря талантливых сотрудников. В данном исследовании изучается увольнение сотрудников с использованием моделей машинного обучения. На синтетических данных, созданных IBM Watson, были проведены три основных эксперимента по прогнозированию увольнения сотрудников. В первом эксперименте исходный несбалансированный по классам набор данных использовался для обучения следующих моделей машинного обучения: машины опорных векторов (SVM) с несколькими ядерными функциями, случайного леса и метода k ближайших соседей (KNN). Во втором эксперименте для устранения дисбаланса классов применялся метод адаптивной синтетической выборки (ADASYN), после чего новые данные использовались для повторного обучения упомянутых моделей машинного обучения. В третьем эксперименте для балансировки классов применялось ручное недоразмеривание данных. В результате обучение модели KNN (K = 3) на сбалансированном с помощью ADASYN наборе данных обеспечило наилучший результат — F1-мера составила 0.93. Наконец, при использовании отбора признаков и метода случайного леса значение F1-меры 0.909 было достигнуто с применением 12 признаков из общего числа 29.
1
Отбор признаков с помощью случайного леса сократил число признаков с 29 до 12 и достиг F1-score 0.909
2
Рассматривалась ручная недовыборка как альтернативный подход к балансировке классов (результаты не превзошли ADASYN+KNN)
3
Проведены три эксперимента по прогнозированию текучести сотрудников с использованием SVM (разные ядра), случайного леса и KNN на синтетических данных IBM Watson
4
Для базовой проверки обучали модели SVM, случайный лес и KNN на исходном несбалансированном наборе данных
5
Использование ADASYN для устранения дисбаланса классов и обучение KNN с K=3 показало наилучший результат с F1-score 0.93

Текучесть сотрудников в бизнес-организациях (синтетический набор данных IBM Watson)

Прогнозирование текучести сотрудников с помощью методов машинного обучения, включая обработку дисбаланса классов (ADASYN, понижающая выборка), сравнение моделей (SVM, случайный лес, KNN) и отбор признаков для оптимизации F1-меры

Publication Details
Publication Date
2018-11-01
Journal
Publisher
ISSN
Cited by
143
Access Type
Author Information
Authors
Sarah S. Alduayj
Kashif Rajpoot
Explore further
Open the scid.ai AI chat with a ready-made request: it will find papers on a similar topic and help build a literature review.
Find similar papers in the chat →
Make a presentation
100%