kaggle之员工离职分析

本文探讨的是kaggle中的一个案例-员工离职分析，从数据集中分析员工的离职原因,并发现其中的问题。数据主要包括影响员工离职的各种因素（工资、绩效、工作满意度、参加项目数、工作时长、是否升职、等）以及员工是否已经离职的对应记录。

数据来源:Human Resources Analytics | Kaggle

参考学习视频:http://www.tianshansoft.com/

分析目的：分析员工离职原因。

1.对数据集中变量进行描述性分析，变量说明：

2.探索是否离职与公司满意度，绩效，工作时长，工作意外的联系。

#员工离职与满意度关系

p1_sat<- ggplot(data = train,aes(left,satisfaction_level,fill=left))+geom_boxplot()+

  labs(x='员工情况',y='员工对公司满意度')+

  scale_x_discrete(labels=c('在职','离职'))+

  stat_summary(fun.y = mean,geom="point",shape=23,size=1.8)+  #添加均值点

  guides(fill=F)   #除去图例

其他数据绘图类似

#呈现一页多图(Rmisc包)

multiplot(p1_sat,p2_eva,p3_hours,p4_time,cols =2)

初步结论:

1.离职员工对公司满意度普遍较低，评分集中在0.4

2.离职员工工作时长较长，集中在220小时

3.50%以上的离职员工绩效都在0.8以上，超过了平均绩效0.71

3.离职员工工作年限普遍较长，平均在该公司工作了4年

3.探索是否离职与薪水水平、职业的关系

#探索是否离职与自身职业的关系

p5_sales<- ggplot(data = train,aes(sales,..count..,fill=left))+

  geom_bar(stat = 'count',position = 'fill')+

  labs(x='职位名称',y='比例')+

  guides(fill=F)  #去除图例

其他数据绘图类似

图中可看出

1.低工资的员工离职率较高，超过了25%。离职率与薪资水平呈负相关，薪水越高，离职率越低。

2.五年内无升职的员工，离职率达25%，远大于已升职的员工。

3.只参加了两个项目离职率接近65%，参加过7个项目的员工均已离职。参加项目越多，离职率越高(除去参加2个项目的员工)

接下来要进行的是

建模预测：决策树和朴素贝叶斯

建立决策树模型思路：

1.提取出优秀员工（绩效>0.7或工作年限>=4或参加项目数>=5）

2.交叉验证 (此处使用五折交叉验证)  

3.划分训练集和测试集

4.训练模型，建模

5.建立混淆矩阵

• 首先提取出优秀员工

good <-filter(.data = train,last_evaluation>0.7|time_spend_company>=4|number_project>=5) #满足三个条件中的一个均可

summary(good)

• 接着进行交叉验证(caret包)

train_control <- trainControl(method='cv',number = 5) #method = ‘cv’是设置交叉验证方法，number = 5意味着是5折交叉验证

• 划分训练集和测试集，70%作为训练集，剩下为测试集

set.seed(1234)  #设置种子，使抽样结果一致

intrain <- createDataPartition(y = train$left,p = 0.7,list = F)

#createDataPartition( )就是数据划分函数

#对象是left，p=0.7表示训练数据所占的比例为70%

#list是输出结果的格式，默认list=FALSE

train_data <- train[intrain,]       #训练集

test_data <-  train[-intrain,]      #测试集

• 使用训练集训练模型: train()函数

rpartmodel <- train(left ~ ., data = train_data,

                    trControl = train_control, method = 'rpart')

# 使用caret包中的trian函数对训练集使用5折交叉的方法建立决策树模型

# left ~.的意思是根据因变量与所有自变量建模；trCintrol是控制使用那种方法进行建模

# method就是设置使用哪种算法

• 利用rpartmodel模型进行预测：predict()函数

pre_model <-  predict(rpartmodel,test_data[,-7])#（[-7]的意思就是剔除测试集的因变量(left)这一列

• 建立混淆矩阵

con_rpart <- table(pre_model,test_data$left)

con_rpart   #查看矩阵

求得

查准率=743/(743+61)=92.4%

查全率=743/(743+328)=69.3%

建立朴素贝叶斯模型

思路：

1.训练模型

2.预测

 nbmodel <-train(left ~. ,data=train_data,trControl=train_control,method='nb')

 pre_nb_model <-predict(nbmodel,test_data[,-7])

 con_nb <- table(pre_nb_model,test_data$left)

 con_nb

查准率： 718/(718+46)=93.97%

查全率： 718/(718+353)=67%

查全率较低于决策模型中的69%，所以使用决策树模型

模型评估

• 将预测模型转化为数值型

pre_model <- as.numeric(pre_model)       #绘制ROC曲线需要将值转为数值型

pre_nb_model <-as.numeric(pre_nb_model)

roc_rpart <- roc(test_data$left,pre_model)    #使用决策树模型

• 求假正例率和真正例率(查全率)

#假正例率=1-真反例率

Specificity <- roc_rpart$specificities   #真反例率。假正例率为ROC曲线X轴

Sensitivity <- roc_rpart$sensitivities   #真正例率，为ROC曲线Y轴

• 绘制ROC曲线(决策树模型)

ggplot(data = NULL,aes(1-Specificity,Sensitivity))+

  geom_line(color='red') +  #ROC曲线

  geom_abline()+            #对角线

  annotate(geom = 'text',x = 0.4,y=0.5,label=paste('AUC',round(roc_rpart$auc,3)))

  #geom='text'指图层上声明增加注释，在坐标(0.4,0.5)处添加AUC值

• 绘制ROC曲线(朴素贝叶斯模型)

pre_nb_model <-as.numeric(pre_nb_model)

roc_nb <- roc(test_data$left,pre_nb_model)

Specificity_nb <- roc_nb$specificities

Sensitivity_nb <- roc_nb$sensitivities

ggplot(data=NULL,aes(1-Specificity_nb,Sensitivity_nb))+

  geom_line(color='red')+

  geom_abline()+

  geom_text(aes(0.4,0.5),data = NULL,label=paste('AUC',round(roc_nb$auc,3)))+

  labs(title='ROC曲线(朴素贝叶斯)')+

  theme(plot.title = element_text(hjust = 0.5))

模型应用

#使用回归树模型预测概率

Pre_end <- predict(rpartmodel,test_data[,-7],type='prob')

data_end <- cbind(round(Pre_end,3),pre_model)

names(data_end) <- c('pred.0', 'pred.1', 'pred')

datatable(data_end)