用R说话说明与猜测员工去职

起首调查差异岗亭的事恋人数。搞贩卖的人数真的是不少，莫非有不少我大生科的同窗吗??(哈哈哈哈哈哈哈，开个打趣罢了，不外说真话做生物真的很累啊)。贩卖，后期支持，和技能岗人数占有人数排行榜前三。

差异的职业满足度的漫衍概略相等，不外accounting的小搭档们好像打分都不高哦，其他的几个工种均值和中位数都没有明明不同，接下来我们看看差异职业是否去职的环境和打分的坎坷环境：

和想象中功效险些没有区别，去职和不去职的打分区分度很高，和职业险些没有相关。

那么差异职业的均匀事变时长呢，看图而言，没有去职的人群事变时刻都很不变，可是去职人群的事变时刻泛起南北极分化的趋势，看来太忙和太闲都不是很好，这对hr的检验照旧很大的。

后头我们来一次存眷一下差异特性和去职的相关题目：

ggplot(hr,aes(x=satisfaction_level,color=left))+geom_line(stat = "density")+ggtitle("满足度和去职的相关") 
ggplot(hr,aes(x=salary,fill=left))+geom_histogram(stat="count")+ggtitle("人为和去职的相关") 
ggplot(hr,aes(x=promotion_last_5years,fill=left))+geom_histogram(stat="count")+ggtitle("近5年升值和去职的相关") 
ggplot(hr,aes(x=last_evaluation,color=left))+geom_point(stat = "count")+ggtitle("最后一次评价和去职的相关") 
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")) 

没有去职的人群打分已知很是不变，而去职人群的打分就有点难以估摸了

照旧那句话，“有钱好服务啊”

你不给宝宝升职，宝宝就气愤去职

和前面的面积图差不多，hr也要鉴戒那些最后一次打分很高的，固然大部门是禁绝备去职的，可是有些为了给老雇主体面照旧会来点“善意的谎话”的。

不堕落是不行能的，堕落人数几多根基和总人数成正比，以是这个对付去职来说不是题目。

模子构建和评估

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：湖南网）

【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!