R:员工离职预测实战

一、背景介绍

为什么我们最好和最有经验的员工过早离职？数据来自Kaggle中的，想并尝试预测下一个什么样的有价值的员工将离开。通过分析数据，了解影响员工辞职的因素有哪些，以及最主要的原因，预测哪些优秀员工会离职。

变量说明：

<textarea readonly="readonly" name="code" class="python">
################### ============== 加载包 =================== #################
#查看当前的工作目录好导入数据文件
getwd()
#设置工作目录为需要导入的数据文件所在目录
setwd("C:\\Users\\Administrator\\Desktop\\员工离职预测")
library(plyr) # Rmisc的关联包,若同时需要加载dplyr包，必须先加载plyr包
library(dplyr) # filter()
library(ggplot2) # ggplot()
library(DT) # datatable() 建立交互式数据表
library(caret) # createDataPartition() 分层抽样函数
library(rpart) # rpart()
library(e1071) # naiveBayes() 朴素贝叶斯
library(pROC) # roc() ROC曲线
library(Rmisc) # multiplot() 分割绘图区域
################### ============= 导入数据 ================== #################
hr <- read.csv("HR_comma_sep.csv")
#查看数据文件的前6行
data <- head(hr)
</textarea>

二、描述性分析

观察各个变量的主要描述统计量





探索员工对公司满意度、绩效评估、月均工作时长和工作年限与离职的关系

 探索参与项目个数、五年内有没有升职和薪资与离职的关系

<textarea readonly="readonly" name="code" class="python">
################### ============= 描述性分析 ================== ###############
# 查看数据的基本数据结构
str(hr)
# 计算数据的主要描述统计量
summary(hr)

# 后续的个别模型需要目标变量必须为因子型，我们将hr中left的类型由int转换为因子型
hr$left <- factor(hr$left, levels = c('0', '1'))

##-----探索员工对公司满意度、绩效评估和月均工作时长与是否离职的关系----########
# 绘制对公司满意度与是否离职的箱线图
box_sat <- ggplot(hr, aes(x = left, y = satisfaction_level, fill = left)) +
geom_boxplot() +
theme_bw() +  # 一种ggplot的主题
labs(x = 'left', y = 'satisfaction_level') # 设置横纵坐标标签
box_sat
</textarea>

                                      


                                              员工对公司的满意度与员工是否离职的箱线图<textarea readonly="readonly" name="code" class="python">
# 绘制绩效评估与是否离职的箱线图
box_eva <- ggplot(hr, aes(x = left, y = last_evaluation, fill = left)) +
geom_boxplot() +
theme_bw() +
labs(x = 'left', y = 'last_evaluation')

box_eva
</textarea>                                  


                                                        绩效评估与是否离职的箱线图<textarea readonly="readonly" name="code" class="python">
# 绘制平均月工作时长与是否离职的箱线图
box_mon <- ggplot(hr, aes(x = left, y = average_montly_hours, fill = left)) +
geom_boxplot() +
theme_bw() +
labs(x = 'left', y = 'average_montly_hours')

box_mon
</textarea>                                


                                                   平均月工作时长与是否离职的箱线图<textarea readonly="readonly" name="code" class="python">
# 绘制员工在公司工作年限与是否离职的箱线图
box_time <- ggplot(hr, aes(x = left, y = time_spend_company, fill = left)) +
geom_boxplot() +
theme_bw() +
labs(x = 'left', y = 'time_spend_company')

box_time
</textarea>                                 


                                                     员工在公司工作年限与是否离职的箱线图<textarea readonly="readonly" name="code" class="python">
# 合并这些图形在一个绘图区域，cols = 2的意思就是排版为一行二列
multiplot(box_sat, box_eva, box_mon, box_time, cols = 2)
</textarea>
探索员工对公司满意度、绩效评估、月均工作时长和工作年限与离职的关系



          

<textarea readonly="readonly" name="code" class="python">
###-------探索参与项目个数、五年内有没有升职和薪资与离职的关系------###
# 绘制参与项目个数条形图时需要把此变量转换为因子型
hr$number_project <- factor(hr$number_project
4000
,
levels = c('2', '3', '4', '5', '6', '7'))
# 绘制参与项目个数与是否离职的百分比堆积条形图
bar_pro <- ggplot(hr, aes(x = number_project, fill = left)) +
geom_bar(position = 'fill') + # position = 'fill'即绘制百分比堆积条形图
theme_bw() +
labs(x = 'left', y = 'number_project')

bar_pro
</textarea>                             


                                                  参与项目个数与是否离职的百分比堆积条形图<textarea readonly="readonly" name="code" class="python">
# 绘制5年内是否升职与是否离职的百分比堆积条形图
bar_5years <- ggplot(hr, aes(x = as.factor(promotion_last_5years), fill = left)) +
geom_bar(position = 'fill') +
theme_bw() +
labs(x = 'left', y = 'promotion_last_5years')
bar_5years
</textarea>                        


                                      5年内是否升职与是否离职的百分比堆积条形图     
                                <textarea readonly="readonly" name="code" class="python">
# 绘制薪资与是否离职的百分比堆积条形图
bar_salary <- ggplot(hr, aes(x = salary, fill = left)) +
geom_bar(position = 'fill') +
theme_bw() +
labs(x = 'left', y = 'salary')

bar_salary
</textarea>                            


                                                    薪资与是否离职的百分比堆积条形图<textarea reaonly="readonly" name="code" class="python"
# 合并这些图形在一个绘图区域，cols = 3的意思就是排版为一行三列
multiplot(bar_pro, bar_5years, bar_salary, cols = 3)
</textarea>


三、建模预测之回归树<textarea readonly="readonly" name="code" class="python">
############## =============== 提取优秀员工 =========== ###################
# filter()用来筛选符合条件的样本
hr_model <- filter(hr, last_evaluation >= 0.70 | time_spend_company >= 4
                   | number_project > 5)
############### ============ 自定义交叉验证方法 ========== ##################
# 设置5折交叉验证 method = ‘cv’是设置交叉验证方法，number = 5意味着是5折交叉验证
train_control <- trainControl(method = 'cv', number = 5)
</textarea>

<textarea readonly="readonly" name="code" class="python">
################ =========== 分成抽样 ============== ##########################

set.seed(1234) # 设置随机种子，为了使每次抽样结果一致

# 根据数据的因变量进行7:3的分层抽样，返回行索引向量 p = 0.7就意味着按照7:3进行抽样，
# list=F即不返回列表，返回向量
index <- createDataPartition(hr_model$left, p = 0.7, list = F)

traindata <- hr_model[index, ] # 提取数据中的index所对应行索引的数据作为训练集
testdata <- hr_model[-index, ] # 其余的作为测试集

##################### ============= 回归树 ============= #####################

# 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
# methon就是设置使用哪种算法
rpartmodel <- train(left ~ ., data = traindata,
trControl = train_control, method = 'rpart')

# 利用rpartmodel模型对测试集进行预测，（[-7]的意思就是剔除测试集的因变量这一列）
pred_rpart <- predict(rpartmodel, testdata[-7])
newtestdata <- cbind(testdata[-7],pred_rpart)#
# 建立混淆矩阵，positive=‘1’设定我们的正例为“1”
con_rpart <- table(pred_rpart, testdata$left)
con_rpart
</textarea>    










四、建模预测之朴素贝叶斯<textarea readonly="readonly" name="code" class="python">
################### ============ Naives Bayes =============== #################
nbmodel <- train(left ~ ., data = traindata,
trControl = train_control, method = 'nb')

pred_nb <- predict(nbmodel, testdata[-7])

con_nb <- table(pred_nb, testdata$left)
con_nb
</textarea>




五、模型评估+应用







<textarea readonly="readonly" name="code" class="python">
################### ================ ROC ==================== #################
# 使用roc函数时，预测的值必须是数值型
pred_rpart <- as.numeric(as.character(pred_rpart))
pred_nb <- as.numeric(as.character(pred_nb))

roc_rpart <- roc(testdata$left, pred_rpart) # 获取后续画图时使用的信息

#假正例率:（1-Specififity[真反例率]）
Specificity <- roc_rpart$specificities # 为后续的横纵坐标轴奠基，真反例率
Sensitivity <- roc_rpart$sensitivities # 查全率 : sensitivities,也是真正例率

# 绘制ROC曲线
#我们只需要横纵坐标 NULL是为了声明我们没有用任何数据
p_rpart <- ggplot(data = NULL, aes(x = 1- Specificity, y = Sensitivity)) +
geom_line(colour = 'red') + # 绘制ROC曲线
geom_abline() + # 绘制对角线
annotate('text', x = 0.4, y = 0.5, label = paste('AUC=', #text是声明图层上添加文本注释
#‘3’是round函数里面的参数,保留三位小数
round(roc_rpart$auc, 3))) + theme_bw() + # 在图中（0.4,0.5）处添加AUC值
labs(x = '1 - Specificity', y = 'Sensitivities') # 设置横纵坐标轴标签

p_rpart
</textarea>

<textarea readonly="readonly" name="code" class="python">
roc_nb <- roc(testdata$left, pred_nb)
Specificity <- roc_nb$specificities
Sensitivity <- roc_nb$sensitivities
p_nb <- ggplot(data = NULL, aes(x = 1- Specificity, y = Sensitivity)) +
geom_line(colour = 'red') + geom_abline() +
annotate('text', x = 0.4, y = 0.5, label = paste('AUC=',
round(roc_nb$auc, 3))) + theme_bw() +
labs(x = '1 - Specificity', y = 'Sensitivities')

p_nb
</textarea>

总结：回归树的AUC值（0.93） > 朴素贝叶斯的AUC值（0.839），最终我们选择了回归树模型做为我们的实际预测模型

<textarea readonly="readonly" name="code" class="python">
######################### ============= 应用 =============####################

# 使用回归树模型预测分类的概率，type=‘prob’设置预测结果为离职的概率和不离职的概率
pred_end <- predict(rpartmodel, testdata[-7], type = 'prob')

# 合并预测结果和预测概率结果
data_end <- cbind(round(pred_end, 3), pred_rpart)

# 为预测结果表重命名
names(data_end) <- c('pred.0', 'pred.1', 'pred')

# 生成一个交互式数据表
datatable(data_end)
</textarea>

最终我们生成了一个预测结果表：

预测结果表第一列代表：员工不离职概率（pred.0）

预测结果表第二列代表：员工离职概率（pred.1）

预测结果表第三列代表：员工是否离职（pred）