[论文解读] Employee Turnover Analysis Using Machine Learning Algorithms

Mahyar Karimi, Kamyar Seyedkazem Viliyani|arXiv (Cornell University)|Feb 6, 2024

AI and HR TechnologiesBusiness, Management and Accounting被引用 3

一句话总结

本文提出一种机器学习方法，利用三种监督学习算法——AdaBoost、SVM 和随机森林——基于员工特征数据集预测员工流失。随机森林模型取得了最高的准确率（92.3%），表明其在识别高风险员工方面具有显著有效性，可为组织采取主动干预措施提供支持。

ABSTRACT

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.

研究动机与目标

• 开发一种预测分析框架，利用机器学习识别有流失风险的员工。
• 评估并比较三种监督学习算法——AdaBoost、SVM 和随机森林——在预测员工流失方面的性能。
• 为人力资源和组织领导者提供可操作的洞察，通过早期识别降低员工流失风险。
• 评估模型在现实人力资源决策场景中的可解释性和可靠性。

提出的方法

• 收集并预处理了包含员工人口统计和工作相关特征的数据集，如职位角色、部门、月薪和工作与生活平衡情况。
• 对特征进行标准化处理，并对分类变量应用独热编码，以准备模型输入。
• 训练了三种监督学习模型：AdaBoost、支持向量机（SVM）和随机森林，用于员工流失的二分类预测。
• 使用准确率、精确率、召回率和 F1 分数等标准指标评估模型性能。
• 采用五折交叉验证，以确保模型稳健性并减少过拟合风险。
• 基于整体准确率和 F1 分数选择表现最佳的模型，用于部署在预测分析流程中。

实验结果

研究问题

• RQ1 在 AdaBoost、SVM 和随机森林中，哪种机器学习算法在预测员工流失方面表现最佳？
• RQ2 随机森林模型的特征重要性评分如何为人力资源部门提供员工流失关键驱动因素的洞察？
• RQ3 预测模型在多大程度上可通过早期识别降低员工流失风险？
• RQ4 这些模型在不同员工子群体和部门中的稳定性与泛化能力如何？

主要发现

• 随机森林模型在预测员工流失方面取得了 92.3% 的最高准确率。
• AdaBoost 表现中等，准确率为 87.6%，显示出对基线模型的改进泛化能力。
• SVM 准确率为 85.4%，表明性能较强，但相比随机森林稳定性稍弱。
• 特征重要性分析显示，'月薪'、'工作满意度'和'工作与生活平衡'是预测员工流失的前三大因素。
• 随机森林模型的 F1 分数为 0.89，表明精确率与召回率之间具有良好的平衡。
• 交叉验证结果证实了模型的稳定性，各折之间方差极小，支持其在现实部署中的可靠性。