十月份,预测下年末的离职情况

点击链接加入QQ群229390571(全国招聘信息、免费公开课、视频应有尽有):https://jq.qq.com/?_wv=1027&k=5rbudQa 更多内容可以关注公众号:测试帮日记

2019年,互联网寒冬真的来了吗?我们用决策树来做一个员工离职率的预测分析。

十月份,预测下年末的离职情况_第1张图片

sklearn 中的决策树

决策树的应用场景是非常广泛的,在各行各业都有应用,并且有非常良好的表现。金融行业的风险贷款评估,医疗行业的疾病诊断,电商行业的销售预测等等。

首先我们先来了解下如何在 sklearn 中使用决策树模型。在 sklearn 中,可以使用如下方式来构建决策树分类器。

fromsklearn.treeimportDecisionTreeClassifierclf = DecisionTreeClassifier(criterion='entropy')

其中的 criterion 参数,就是决策树算法,可以选择 entropy,就是基于信息熵;而 gini,就是基于基尼系数。

构建决策树的一些重要参数,整理如下:

十月份,预测下年末的离职情况_第2张图片

员工离职率预测

现在开始员工离职率的预测分析实战,相关数据集可以在这里下载

https://github.com/zhouwei713/DataAnalyse/tree/master/Decision_tree

— 数据预处理 —

导入数据并查看是否存在缺失值

importpandasaspdimportnumpyasnpimportmatplotlib.pyplotaspltimportmatplotlibasmatplotimportseabornassnsdf = pd.read_csv('HR.csv', index_col=None)# 检测是否有缺失数据df.isnull().any()>>>satisfaction_levelFalselast_evaluationFalsenumber_projectFalseaverage_montly_hoursFalsetime_spend_companyFalseWork_accidentFalseleftFalsepromotion_last_5yearsFalsesalesFalsesalaryFalsedtype: bool

数据很完整,没有缺失值

查看数据

df.head()

十月份,预测下年末的离职情况_第3张图片

satisfaction_level:员工对公司满意度last_evaluation:上一次公司对员工的评价number_project:该员工同时负责多少项目average_montly_hours:每个月工作的时长time_spend_company:在公司工作多久Work_accident:是否有个工作事故left:是否离开公司(1表示离职)promotion_last_5years:过去5年是否又被升职sales:部门salary:工资水平

— 数据分析 —

查看数据形状

print(df.shape)>>>(14999,10)

共有14999条数据,每条数据10个特征。不过需要把 left 作为标签,实际为9个特征。

查看离职率

turnover_rate=df.left.value_counts() / len(df)print(turnover_rate)>>>00.76191710.238083Name:left, dtype: float64

离职率为0.24

分组统计

turnover_Summary = df.groupby('left')print(turnover_Summary.mean())

十月份,预测下年末的离职情况_第4张图片

— 相关性分析 —

我们可以通过热力图,来了解下哪些特征的影响最大,哪些特征之间的相关性又是最强的。

corr=df.corr()sns.heatmap(corr,xticklabels=corr.columns.values,yticklabels=corr.columns.values)

十月份,预测下年末的离职情况_第5张图片

两个特征的交叉处,颜色越浅,说明相关性越大。

— 数据集字符串转换成数字 —

将数据集中的字符串数据转换成数字类型数据

print(df.dtypes)>>>satisfaction_levelfloat64last_evaluationfloat64number_projectint64average_montly_hoursint64time_spend_companyint64Work_accidentint64leftint64promotion_last_5yearsint64salesobjectsalaryobjectdtype:object

sales 和 salary 两个特征需要转换

这里要介绍一个 Pandas 超级强大的功能,accessor。该方法可以返回属性,让我们知道某个数据有哪些属性可以使用

importpandasaspdpd.Series._accessors>>>{'cat','dt','sparse','str'}

可以看到,对于 series 类型数据,有如下四个属性可用。

cat:用于分类数据(Categorical data)

str:用于字符数据(String Object data)

dt:用于时间数据(datetime-like data)

sparse:用于系数矩阵

test= pd.Series(['str1','str2','str3'])print(test.str.upper())print(dir(test.str))>>>0    STR11    STR22    STR3dtype: object[...'_get_series_list','_inferred_dtype','_is_categorical','_make_accessor','_orig','_parent','_validate','_wrap_result','capitalize','casefold','cat','center','contains','count','decode','encode','endswith','extract','extractall','find','findall','get','get_dummies','index'...]

现在我们要做的是把字符串转换成数字,所以可用使用 cat 这个属性,因为对于 sales 和 salary 两个特征,它们都是类别类型的数据,比如 sales 的 support,product_mng 和 salary 的 low,medium 等。

而 cat 属性的使用,是需要和数据类型 Category 相配合的,故我们需要先将上面两列的数据类型做下转换

df["sales"] = df["sales"].astype('category')df["salary"] = df["salary"].astype('category')然后再使用 cat.codes 来实现对整数的映射df["sales"] = df["sales"].cat.codesdf["salary"] = df["salary"].cat.codes

十月份,预测下年末的离职情况_第6张图片

— 模型训练 —

划分标签和特征

target_name = 'left'X = df.drop('left', axis=1)y = df[target_name]划分训练集和测试集X_train, X_test, y_train, y_test = train_test_split(X,y,test_size=0.15, random_state=123, stratify=y)

stratify 参数的作用是在训练集和测试集中,不同标签(离职与非离职)所占比例相同,即原数据集中比例是多少,训练集和测试集中比例也为多少。

模型训练和预测

from sklearn.metrics import roc_auc_scoreclf = DecisionTreeClassifier(    criterion='entropy',    min_weight_fraction_leaf=0.01    )clf = clf.fit(X_train,y_train)clf_roc_auc = roc_auc_score(y_test, clf.predict(X_test))print ("决策树 AUC = %2.2f"% clf_roc_auc)>>> ---决策树---决策树 AUC = 0.93

这里使用了 ROC 和 AUC 来检查分类器的准确率,我们来看看它们的含义。

— ROC —

ROC(Receiver Operating Characteristic)曲线,用来评价二值分类器的优劣。ROC 曲线下的面积,表示模型准确率,用 AUC 来表示。

ROC 曲线有个很好的特性:当测试集中的正负样本的分布变化的时候,ROC 曲线能够保持不变。在实际的数据集中经常会出现类不平衡(class imbalance)现象,即负样本比正样本多很多(或者相反),而且测试数据中的正负样本的分布也可能随着时间变化。

ROC 曲线

fromsklearn.metricsimportroc_curveclf_fpr, clf_tpr, clf_thresholds = roc_curve(y_test, clf.predict_proba(X_test)[:,1])plt.figure()# 决策树 ROCplt.plot(clf_fpr, clf_tpr, label='Decision Tree (area = %0.2f)'% clf_roc_auc)plt.xlim([0.0,1.0])plt.ylim([0.0,1.05])plt.xlabel('False Positive Rate')plt.ylabel('True Positive Rate')plt.title('ROC Graph')plt.legend(loc="lower right")plt.show()

十月份,预测下年末的离职情况_第7张图片

图中的曲线,越接近左上,说明模型准确率越高,也即是曲线下面的面积越大。

— 决策树应用 —

在构建好决策树之后,我们可以通过决策树来分析出不同特征的重要性,进而帮助做出决定。

在当前员工离职率分析的例子中,我们可以分析出哪几个特征是对员工离职起到觉得性作用的,那么公司就可以对想要留下的员工重点提高对应的特征。

importances = clf.feature_importances_feat_names = df.drop(['left'],axis=1).columnsindices = np.argsort(importances)[::-1]plt.figure(figsize=(12,6))plt.title("Feature importances by Decision Tree")plt.bar(range(len(indices)), importances[indices], color='lightblue',  align="center")plt.step(range(len(indices)), np.cumsum(importances[indices]), where='mid', label='Cumulative')plt.xticks(range(len(indices)), feat_names[indices], rotation='vertical',fontsize=14)plt.xlim([-1,len(indices)])plt.show()

十月份,预测下年末的离职情况_第8张图片

这图中可以非常直观的看出,satisfaction_level 起到了最大的作用,大概占到了0.5左右,其次就是 time_spend_company 和 last_evaluation。

那么这些影响是正相关还是负相关呢,就可以结合上面的热力图来分析

比如对于 satisfaction_level,从热力图中可以看到他与 left 是负相关的,所以我们就可以得出结论:满意度越高,越不容易离职。实际上,在真实生活中也是这样的,对吧。

最后再来看下那条折线,它的意思是说,每一个拐折的地方,都是前面特征影响度之和,比如图中红框的地方,就是前两个特征加一起对于离职的影响度,大概占到了0.7左右。

十月份,预测下年末的离职情况_第9张图片

而前五个特征,基本已经占到了1,所以其他特征的影响几乎可以忽略不计了。

你可能感兴趣的:(十月份,预测下年末的离职情况)