Feb, 2024

使用机器学习算法进行员工离职率分析

PDF
TL;DR员工知识是组织的资产，员工流失可能造成明显和隐藏的成本和不可修复的损害。为了克服和减轻这种风险，应监控员工的状况。由于分析员工福祉特征的复杂性较高，员工离职预测可以委托给机器学习技术。本文讨论了员工的离职率，并使用 AdaBoost、SVM 和 RandomForest 这三种不同的监督学习算法来评估员工离职的准确性。获得的模型可以帮助建立预测分析。
发现论文，激发创造
  • 保留即是一切

    本文提出了 HR-DSS 方法，它使用可解释性 AI 解决员工流失等人力资源问题，并用 “What-if-analysis” 观察个体员工流失的原因和对策，利用最佳模型优化业务决策来实现员工保留。

    Apr, 2023

  • 预测谁将换工作

    人力资源部门面临预测申请人是否寻找新工作或留在公司的挑战。本论文讨论了机器学习如何用于预测谁将转到新工作，采用数据预处理以适合机器学习模型，处理分类特征，应用数据编码和多个机器学习算法，包括随机森林、逻辑回归、决策树和极端梯度提升。为提高机器学习模型的性能，使用合成少数类过采样技术 (SMOTE) 进行改进，采用决策支持指标，如精确度、召回率、F1-Score 和准确度进行评估。

    Sep, 2023

  • 如何让员工留下来？-- 多样化反事实解释员工离职

    首次提出面向多个员工的反事实解释技术，通过历史数据，找到组织的最佳干预措施，解决员工离职问题。

    Mar, 2023

  • 稳健的人员排班：缺勤预测需要多准确？

    通过预测 - 优化方法评估人员排班的鲁棒性，以确定机器学习模型达到何种性能水平才能优于简单的非数据驱动的排班策略。

    Jun, 2024

  • 基于动机的机器学习方法预测学生的学术表现和学习策略

    本研究使用 Scikit-learn 中五种机器学习模型，在 924 名牙科学生的数据集上训练并比较，结果显示随机森林模型的准确率为 94.9％，效果最佳。研究建立的模型可以用于预测学生的表现和学习策略，并实施恰当的干预措施来提高学生的学习进展。

    Oct, 2022

  • 大学生退学原因预测及相关因素分析的机器学习技术应用

    大学辍学预测使用学术、人口统计、社会经济和宏观经济数据类型，通过训练四个二元分类器来预测学生是否会毕业或辍学，结果发现学术数据类型对模型性能最有影响。

    Oct, 2023

  • 可解释的人工智能在车削中工具磨损预测中的应用

    该研究旨在开发一种可解释的人工智能（XAI）框架，以实现在车削过程中对工具磨损进行可理解的预测。通过使用随机森林算法作为监督式机器学习（ML）分类器，以加速度、声学、温度和主轴转速等输入特征进行二元分类训练，该分类器可用于预测切割过程后刀具的状态，以表示切割刀具是否可用或失效。在训练过程中，使用了 Shapley 准则来解释训练后的 ML 分类器的预测。具体而言，识别了决策和分类中每个输入特征的重要性，以解释 ML 分类器预测的推理。在对所有测试数据集实施 Shapley 准则后，发现刀具温度是确定可用和失效切割刀具分类的最重要特征。因此，该研究展示了 XAI 在工具磨损预测中为加工操作者提供诊断和理解复杂的 ML 分类器的能力。

    Aug, 2023

  • 使用深度学习分析客户流失的因果关系

    使用深度前馈神经网络和因果贝叶斯网络框架进行顾客流失预测，并通过测试数据的评估度量验证了该模型的优越性。同时，文中还提出了客户超额保证金交纳水平、账户增长和客户任期等独立因果变量可能会成为顾客流失的混淆因素。

    Apr, 2023

  • 大规模用户产品互动时序的早期流失预测

    本论文通过使用历史数据进行用户流失预测的详尽研究，旨在创建模型预测客户流失概率，帮助企业了解流失趋势并制定有效的留存计划。我们的方法将流失预测视为多变量时间序列分类问题，并展示在复杂的商业与客户背景中，结合用户活动和深度神经网络可实现出色的流失预测结果。

    Sep, 2023

  • 学生成功建模：最重要的因素

    利用深度学习模型和 LSTM 层，研究了大规模收集的 121 种不同类别的特征对高等教育学生保留率的影响，早期对毕业和风险学生的区分能力良好，在后期对退学和转学的区分能力依赖于随时间累积的数据，提供个体层面的预测并解决转学结果问题，为教育结果预测提供了新的见解。

    Sep, 2023