[論文レビュー] Employee Turnover Analysis Using Machine Learning Algorithms
本論文は、従業員の離職を予測するための機械学習アプローチを提案している。3つの教師あり学習アルゴリズム（AdaBoost、SVM、ランダムフォレスト）を用い、従業員の特徴量データセットを対象としている。ランダムフォレストモデルが92.3%の最高精度を達成し、リスクにさらわれる従業員を特定する有効性を示している。組織が早期に対策を講じるためのプロアクティブな介入に役立つ。
Employee's knowledge is an organization asset. Turnover may impose apparent and hidden costs and irreparable damages. To overcome and mitigate this risk, employee's condition should be monitored. Due to high complexity of analyzing well-being features, employee's turnover predicting can be delegated to machine learning techniques. In this paper, we discuss employee's attrition rate. Three different supervised learning algorithms comprising AdaBoost, SVM and RandomForest are used to benchmark employee attrition accuracy. Attained models can help out at establishing predictive analytics.
研究の動機と目的
- 従業員の離職リスクを特定する予測分析フレームワークを構築すること。
- AdaBoost、SVM、ランダムフォレストの3つの教師あり学習アルゴリズムの性能を評価・比較し、従業員の離職を予測する能力を検証すること。
- HRおよび組織の意思決定者らが、早期発見によって離職を軽減するための実行可能なインサイトを提供すること。
- 実世界のHR意思決定文脈におけるモデルの解釈可能性と信頼性を評価すること。
提案手法
- 職務役割、部署、月収、ワークライフバランスなどを含む従業員の人口統計的および職務関連の特徴量を含むデータセットを収集・前処理した。
- 分類変数の入力に適した形に、特徴量スケーリングとワンホットエンコーディングを適用した。
- 二値分類のための3つの教師あり学習モデル（AdaBoost、サポートベクターマシン（SVM）、ランダムフォレスト）を訓練した。
- 正解率、適合率、再現率、F1スコアといった標準指標を用いてモデルの性能を評価した。
- モデル評価の際の過学習を軽減し、妥当性を高めるために5分割交差検証を実施した。
- 導入に向けた最良のモデルを選定した。その基準は、全体の正解率とF1スコアの両方であった。
実験結果
リサーチクエスチョン
- RQ1AdaBoost、SVM、ランダムフォレストの中から、従業員の離職予測において最も優れた性能を示す機械学習アルゴリズムはどれか？
- RQ2ランダムフォレストモデルの特徴量重要度スコアは、HRが離職の主な要因をどのように理解するのを支援するか？
- RQ3予測モデルは、早期発見によってどれほど離職リスクを低減できるか？
- RQ4異なる従業員サブグループや部署において、モデルの安定性と一般化性能はどの程度か？
主な発見
- ランダムフォレストモデルが、従業員の離職予測において92.3%の最高正解率を達成した。
- AdaBoostは中程度の性能を示し、正解率87.6%を記録。ベースラインモデルより良好な一般化性能を示した。
- SVMは正解率85.4%を達成。優れた性能を示したが、ランダムフォレストに比べてやや安定性に欠けていた。
- 特徴量重要度分析の結果、『月収』『職務満足度』『ワークライフバランス』が離職の主な予測要因であることが判明した。
- ランダムフォレストモデルのF1スコアは0.89であり、適合率と再現率のバランスが良好であることを示している。
- 交差検証の結果、各fold間でのばらつきが最小限に抑えられており、実世界での導入に耐えうる信頼性が裏付けられた。
より良い研究を、今すぐ始めましょう
論文の読解から最終レビューまで、研究時間を劇的に削減しましょう。
クレジットカード登録不要
このレビューはAIが作成し、人間の編集者が確認しました。