本文探討的是kaggle中的一個案例-員工離職分析，從數據集中分析員工的離職原因,並發現其中的問題。數據主要包括影響員工離職的各種因素（工資、績效、工作滿意度、參加項目數、工作時長、是否升職、等）以及員工是否已經離職的對應記錄。
數據來源:Human Resources Analytics | Kaggle
參考學習視頻:http://www.tianshansoft.com/
分析目的：分析員工離職原因。
1.對數據集中變量進行描述性分析，變量說明：
2.探索是否離職與公司滿意度，績效，工作時長，工作意外的聯系。
#員工離職與滿意度關系 p1_sat<- ggplot(data = train,aes(left,satisfaction_level,fill=left))+geom_boxplot()+ labs(x='員工情況',y='員工對公司滿意度')+ scale_x_discrete(labels=c('在職','離職'))+ stat_summary(fun.y = mean,geom="point",shape=23,size=1.8)+ #添加均值點 guides(fill=F) #除去圖例
其他數據繪圖類似
#呈現一頁多圖(Rmisc包) multiplot(p1_sat,p2_eva,p3_hours,p4_time,cols =2)
初步結論:
1.離職員工對公司滿意度普遍較低，評分集中在0.4
2.離職員工工作時長較長，集中在220小時
3.50%以上的離職員工績效都在0.8以上，超過了平均績效0.71
3.離職員工工作年限普遍較長，平均在該公司工作了4年
3.探索是否離職與薪水水平、職業的關系
#探索是否離職與自身職業的關系 p5_sales<- ggplot(data = train,aes(sales,..count..,fill=left))+ geom_bar(stat = 'count',position = 'fill')+ labs(x='職位名稱',y='比例')+ guides(fill=F) #去除圖例
其他數據繪圖類似
圖中可看出
1.低工資的員工離職率較高，超過了25%。離職率與薪資水平呈負相關，薪水越高，離職率越低。
2.五年內無升職的員工，離職率達25%，遠大於已升職的員工。
3.只參加了兩個項目離職率接近65%，參加過7個項目的員工均已離職。參加項目越多，離職率越高(除去參加2個項目的員工)
接下來要進行的是
建模預測：決策樹和朴素貝葉斯
建立決策樹模型思路：
1.提取出優秀員工（績效>0.7或工作年限>=4或參加項目數>=5）
2.交叉驗證 (此處使用五折交叉驗證)
3.划分訓練集和測試集
4.訓練模型，建模
5.建立混淆矩陣
- 首先提取出優秀員工
good <-filter(.data = train,last_evaluation>0.7|time_spend_company>=4|number_project>=5) #滿足三個條件中的一個均可 summary(good)
- 接着進行交叉驗證(caret包)
train_control <- trainControl(method='cv',number = 5) #method = ‘cv’是設置交叉驗證方法，number = 5意味着是5折交叉驗證
- 划分訓練集和測試集，70%作為訓練集，剩下為測試集
set.seed(1234) #設置種子，使抽樣結果一致 intrain <- createDataPartition(y = train$left,p = 0.7,list = F) #createDataPartition( )就是數據划分函數 #對象是left，p=0.7表示訓練數據所占的比例為70% #list是輸出結果的格式，默認list=FALSE
train_data <- train[intrain,] #訓練集 test_data <- train[-intrain,] #測試集
- 使用訓練集訓練模型: train()函數
rpartmodel <- train(left ~ ., data = train_data, trControl = train_control, method = 'rpart') # 使用caret包中的trian函數對訓練集使用5折交叉的方法建立決策樹模型 # left ~.的意思是根據因變量與所有自變量建模；trCintrol是控制使用那種方法進行建模 # method就是設置使用哪種算法
- 利用rpartmodel模型進行預測：predict()函數
pre_model <- predict(rpartmodel,test_data[,-7])#（[-7]的意思就是剔除測試集的因變量(left)這一列
- 建立混淆矩陣
con_rpart <- table(pre_model,test_data$left)
con_rpart #查看矩陣
求得
查准率=743/(743+61)=92.4%
查全率=743/(743+328)=69.3%
建立朴素貝葉斯模型
思路：
1.訓練模型
2.預測
1 nbmodel <-train(left ~. ,data=train_data,trControl=train_control,method='nb') 2 pre_nb_model <-predict(nbmodel,test_data[,-7]) 3 con_nb <- table(pre_nb_model,test_data$left) 4 con_nb
查准率： 718/(718+46)=93.97%
查全率： 718/(718+353)=67%
查全率較低於決策模型中的69%，所以使用決策樹模型
模型評估
- 將預測模型轉化為數值型
pre_model <- as.numeric(pre_model) #繪制ROC曲線需要將值轉為數值型 pre_nb_model <-as.numeric(pre_nb_model) roc_rpart <- roc(test_data$left,pre_model) #使用決策樹模型
- 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$specificities #真反例率。假正例率為ROC曲線X軸 Sensitivity <- roc_rpart$sensitivities #真正例率，為ROC曲線Y軸
- 繪制ROC曲線(決策樹模型)
ggplot(data = NULL,aes(1-Specificity,Sensitivity))+ geom_line(color='red') + #ROC曲線 geom_abline()+ #對角線 annotate(geom = 'text',x = 0.4,y=0.5,label=paste('AUC',round(roc_rpart$auc,3))) #geom='text'指圖層上聲明增加注釋，在坐標(0.4,0.5)處添加AUC值
- 繪制ROC曲線(朴素貝葉斯模型)
pre_nb_model <-as.numeric(pre_nb_model) roc_nb <- roc(test_data$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曲線(朴素貝葉斯)')+ theme(plot.title = element_text(hjust = 0.5))
模型應用
#使用回歸樹模型預測概率 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)
