背景
员工流失对于任何组织都是一个严重的问题，它可能导致生产力下降和成本增加。通过分析员工流失的数据，并使用机器学习模型来预测员工是否会流失，我们可以采取预防性措施，尽量减少员工的流失。
数据探索性分析（EDA）
首先，让我们加载数据并进行一些基本的探索性分析
import pandas as pd import matplotlib.pyplot as plt import seaborn as sns # 加载数据 data = pd.read_csv('employee.csv') # 探索性数据分析 print(data.info()) print(data.describe()) # 可视化员工流失情况 plt.figure(figsize=(8, 5)) sns.countplot(x='Attrition', data=data) plt.title('Attrition Distribution') plt.show() # 可视化不同部门的流失情况 plt.figure(figsize=(10, 6)) sns.countplot(x='Department', hue='Attrition', data=data) plt.title('Attrition in Different Departments') plt.show() # 可视化年龄与流失的关系 plt.figure(figsize=(10, 6)) sns.boxplot(x='Attrition', y='Age', data=data) plt.title('Age vs Attrition') plt.show()
数据预处理
接下来，我们对数据进行预处理，包括去除无关的特征、对分类变量进行编码以及特征缩放
from sklearn.preprocessing import StandardScaler # 去除无关特征并进行编码 data.drop(['EmployeeCount', 'EmployeeNumber', 'Over18', 'StandardHours'], axis=1, inplace=True) data['Attrition'] = data['Attrition'].replace({'No': 0, 'Yes': 1}) data_encoded = pd.get_dummies(data, drop_first=True) # 特征缩放 features_to_scale = ['Age', 'DailyRate', 'DistanceFromHome', 'HourlyRate', 'MonthlyIncome', 'MonthlyRate', 'NumCompaniesWorked', 'PercentSalaryHike', 'TotalWorkingYears', 'YearsAtCompany', 'YearsInCurrentRole', 'YearsSinceLastPromotion', 'YearsWithCurrManager'] scaler = StandardScaler() data_scaled = scaler.fit_transform(data_encoded[features_to_scale])
模型构建与评估
现在，我们将数据集拆分为训练集和测试集，并构建逻辑回归模型和随机森林模型来预测员工的流失情况。
from sklearn.model_selection import train_test_split from sklearn.linear_model import LogisticRegression from sklearn.ensemble import RandomForestClassifier from sklearn.metrics import accuracy_score, classification_report # 划分数据集 X = data_encoded.drop('Attrition', axis=1) y = data_encoded['Attrition'] X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42) # 构建逻辑回归模型 logistic_model = LogisticRegression() logistic_model.fit(X_train, y_train) y_pred_logistic = logistic_model.predict(X_test) accuracy_logistic = accuracy_score(y_test, y_pred_logistic) # 构建随机森林模型 rf_model = RandomForestClassifier(n_estimators=100, random_state=42) rf_model.fit(X_train, y_train) y_pred_rf = rf_model.predict(X_test) accuracy_rf = accuracy_score(y_test, y_pred_rf) # 输出结果 print("Logistic Regression Accuracy:", accuracy_logistic) print("Logistic Regression Classification Report:") print(classification_report(y_test, y_pred_logistic)) print("\nRandom Forest Accuracy:", accuracy_rf) print("Random Forest Classification Report:") print(classification_report(y_test, y_pred_rf))
结论
通过逻辑回归和随机森林模型，我们成功地预测了员工的流失情况。通过分析模型的准确率和分类报告，我们可以看到随机森林模型相对于逻辑回归模型有更好的预测效果，因为它能够更好地处理复杂的数据关系。
