用R语言分析与预测员工离职

首先观察不同岗位的工作人数。搞销售的人数真的是不少，难道有不少我大生科的同学吗??(哈哈哈哈哈哈哈，开个玩笑而已，不过说实话做生物真的很累啊)。销售，后期支持，和技术岗人数占据人数排行榜前三。

不同的职业满意度的分布大体相当，不过accounting的小伙伴们似乎打分都不高哦，其他的几个工种均值和中位数都没有明显差别，接下来我们看看不同职业是否离职的情况和打分的高低情况：

和想象中结果几乎没有区别，离职和不离职的打分区分度很高，和职业几乎没有关系。

那么不同职业的平均工作时长呢，看图而言，没有离职的人群工作时间都很稳定，但是离职人群的工作时间呈现两极分化的趋势，看来太忙和太闲都不是很好，这对hr的考验还是很大的。

后面我们来一次关注一下不同特征和离职的关系问题：

ggplot(hr,aes(x=satisfaction_level,color=left))+geom_line(stat = "density")+ggtitle("满意度和离职的关系") 
ggplot(hr,aes(x=salary,fill=left))+geom_histogram(stat="count")+ggtitle("工资和离职的关系") 
ggplot(hr,aes(x=promotion_last_5years,fill=left))+geom_histogram(stat="count")+ggtitle("近5年升值和离职的关系") 
ggplot(hr,aes(x=last_evaluation,color=left))+geom_point(stat = "count")+ggtitle("最后一次评价和离职的关系") 
hr %>% group_by(sales) %>% ggplot(aes(x=sales,fill=Work_accident))+geom_bar()+coord_flip()+ 
  theme(axis.text.x = element_blank(),axis.title.x = element_blank(),axis.title.y = element_blank())+scale_fill_discrete(labels=c("no accident","at least once")) 

没有离职的人群打分已知非常稳定，而离职人群的打分就有点难以估摸了

还是那句话，“有钱好办事啊”

你不给宝宝升职，宝宝就生气离职

和前面的面积图差不多，hr也要警惕那些最后一次打分很高的，虽然大部分是不准备离职的，但是有些为了给老东家面子还是会来点“善意的谎言”的。

不出错是不可能的，出错人数多少基本和总人数成正比，所以这个对于离职来说不是问题。

模型构建和评估

index<-sample(2,nrow(hr),replace = T,prob = c(0.7,0.3)) 
train<-hr[index==1,];test<-hr[index==2,] 
model<-randomForest(left~.,data = train) 
predict.hr<-predict(model,test) 
confusionMatrix(test$left,predict.hr) 
 
prob.hr<-predict(model,test,type="prob") 
roc.hr<-roc(test$left,prob.hr[,2],levels=levels(test$left)) 
plot(roc.hr,type="S",col="red",main = paste("AUC=",roc.hr$auc,sep = "")) 

（编辑：核心网）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!