在实验室搬砖之后，继续我们的kaggle数据分析之旅，这次数据也是答主在kaggle上选择的比较火的一份关于人力资源的数据集，关注点在于员工离职的分析和预测，依然还是从数据读取，数据预处理，EDA和机器学习建模这几个部分开始进行，最后使用集成学习中比较火的random forest算法来预测离职情况。
数据读取 setwd("E:/kaggle/humanresource") library(data.table) library(plotly) library(corrplot) library(randomForest) library(pROC) library(tidyverse) library(caret) hr<-as.tibble(fread("HR_comma_sep.csv")) glimpse(hr) sapply(hr,function(x){sum(is.na(x))}) ―――――――――――――――――――――――――――――――――――――――――――――――――――――――――――――――――――――――――――――――――――― Observations:14,999 Variables:10 $satisfaction_level<dbl>0.38,0.80,0.11,0.72,0.37,0.41,0.10,0.92,0.89,0.42,0.45,0.11,0.84,0.41,0.36,0.38,0.45,0.78,0.45,0.76,0.11,0.3... $last_evaluation<dbl>0.53,0.86,0.88,0.87,0.52,0.50,0.77,0.85,1.00,0.53,0.54,0.81,0.92,0.55,0.56,0.54,0.47,0.99,0.51,0.89,0.83,0.5... $number_project<int>2,5,7,5,2,2,6,5,5,2,2,6,4,2,2,2,2,4,2,5,6,2,6,2,2,5,4,2,2,2,6,2,2,2,4,6,2,2,6,2,5,2,2,... $average_montly_hours<int>157,262,272,223,159,153,247,259,224,142,135,305,234,148,137,143,160,255,160,262,282,147,304,139,158,242,... $time_spend_company<int>3,6,4,5,3,3,4,5,5,3,3,4,5,3,3,3,3,6,3,5,4,3,4,3,3,5,5,3,3,3,4,3,3,3,6,4,3,3,4,3,5,3,3,... $Work_accident<int>0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,1,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,... $left<int>1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,... $promotion_last_5years<int>0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,1,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,... $sales<chr>"sales","sales","sales","sales","sales","sales","sales","sales","sales","sales","sales","sales","sales","sales","sa... $salary<chr>"low","medium","medium","low","low","low","low","low","low","low","low","low","low","low","low","low","low","low... satisfaction_levellast_evaluationnumber_projectaverage_montly_hourstime_spend_companyWork_accidentleft 0000000 promotion_last_5yearssalessalary 000数据集情况如下，一共10维数据，14999个观测值，变量的代表名称分别是
satisfaction_level--满意度，last_evaluation--最后一次评估，number_project--参与项目数量，average_montly_hours--每月平均工作时间，time_spend_company--公司停留时间，Work_accident--工作事故次数，left--是否离职，promotion_last_5years--过去五年升值状况，sales--工种，salary--工资。
而且简单的观测了一下，没有发现缺失值，那么我就可以直接进入数据分析阶段了。
数据预处理根据每一个特征的数值情况，我们可以将不少特征因子化，方便后期做不同类别的差异分析。
hr$sales<-as.factor(hr$sales) hr$salary<-as.factor(hr$salary) hr$left<-as.factor(hr$left) hr$Work_accident<-as.factor(hr$Work_accident) hr$left<-recode(hr$left,'1'="yes",'0'="no") hr$promotion_last_5years<-as.factor(hr$promotion_last_5years)看的出大部分数据都是数值型的，我们使用相关性来衡量不同变量之间的相关性高低：
cor.hr<-hr%>%select(-sales,-salary) cor.hr$Work_accident<-as.numeric(as.character(cor.hr$Work_accident)) cor.hr$promotion_last_5years<-as.numeric(as.character(cor.hr$promotion_last_5years)) cor.hr$left<-as.numeric(as.character(cor.hr$left)) corrplot(corr=cor(cor.hr),type="lower",method="square",title="变量相关性",order="AOE")
直观的来看，是否离职和满意度高低就有很高的关联性啊。
EDA ggplot(group_by(hr,sales),aes(x=sales,fill=sales))+geom_bar(width=1)+coord_polar(theta="x")+ggtitle("不同职业的人数") ggplot(hr,aes(x=sales,y=satisfaction_level,fill=sales))+geom_boxplot()+ggtitle("不同职业的满意度")+stat_summary(fun.y=mean,size=3,color='white',geom="point")+ theme(legend.position="none") ggplot(hr,aes(x=sales,y=satisfaction_level,fill=left))+geom_boxplot()+ggtitle("不同职业的满意度") ggplot(hr,aes(x=sales,y=average_montly_hours,fill=left))+geom_boxplot()+ggtitle("不同职业的工作时长") ggplot(hr,aes(x=sales,y=number_project,fill=left))+geom_boxplot()+ggtitle("不同职业的项目情况")
首先观察不同岗位的工作人数。搞销售的人数真的是不少，难道有不少我大生科的同学吗??(哈哈哈哈哈哈哈，开个玩笑而已，不过说实话做生物真的很累啊)。销售，后期支持，和技术岗人数占据人数排行榜前三。
不同的职业满意度的分布大体相当，不过accounting的小伙伴们似乎打分都不高哦，其他的几个工种均值和中位数都没有明显差别，接下来我们看看不同职业是否离职的情况和打分的高低情况：
和想象中结果几乎没有区别，离职和不离职的打分区分度很高，和职业几乎没有关系。
那么不同职业的平均工作时长呢，看图而言，没有离职的人群工作时间都很稳定，但是离职人群的工作时间呈现两极分化的趋势，看来太忙和太闲都不是很好，这对hr的考验还是很大的。
后面我们来一次关注一下不同特征和离职的关系问题：
ggplot(hr,aes(x=satisfaction_level,color=left))+geom_line(stat="density")+ggtitle("满意度和离职的关系") ggplot(hr,aes(x=salary,fill=left))+geom_histogram(stat="count")+ggtitle("工资和离职的关系") ggplot(hr,aes(x=promotion_last_5years,fill=left))+geom_histogram(stat="count")+ggtitle("近5年升值和离职的关系") ggplot(hr,aes(x=last_evaluation,color=left))+geom_point(stat="count")+ggtitle("最后一次评价和离职的关系") hr%>%group_by(sales)%>%ggplot(aes(x=sales,fill=Work_accident))+geom_bar()+coord_flip()+ theme(axis.text.x=element_blank(),axis.title.x=element_blank(),axis.title.y=element_blank())+scale_fill_discrete(labels=c("noaccident","atleastonce"))
没有离职的人群打分已知非常稳定，而离职人群的打分就有点难以估摸了
还是那句话，“有钱好办事啊”
你不给宝宝升职，宝宝就生气离职
和前面的面积图差不多，hr也要警惕那些最后一次打分很高的，虽然大部分是不准备离职的，但是有些为了给老东家面子还是会来点“善意的谎言”的。
不出错是不可能的，出错人数多少基本和总人数成正比，所以这个对于离职来说不是问题。
模型构建和评估 index<-sample(2,nrow(hr),replace=T,prob=c(0.7,0.3)) train<-hr[index==1,];test<-hr[index==2,] model<-randomForest(left~.,data=train) predict.hr<-predict(model,test) confusionMatrix(test$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=""))根据前面的特征分析，本次答主并没有觉得有很好的特征来提取，就直接扔进算法里面计算去了，计算出来的混淆矩阵的情况效果还是杠杠的：
ConfusionMatrixandStatistics Reference Predictionnoyes no34295 yes281010 Accuracy:0.9926 95%CI:(0.9897,0.9949) NoInformationRate:0.773 P-Value[Acc>NIR]:<2.2e-16 Kappa:0.9791 Mcnemar'sTestP-Value:0.0001283 Sensitivity:0.9919 Specificity:0.9951 PosPredValue:0.9985 NegPredValue:0.9730 Prevalence:0.7730 DetectionRate:0.7668 DetectionPrevalence:0.7679 BalancedAccuracy:0.9935 'Positive'