员工离职预测

• 简介
  • 比较基础的分类问题
  • 核心思路为属性构造+逻辑回归
• 过程
  • 数据获取
    • 报名这个比赛即可获取到这个数据点击获取
  • 数据探索
    • 无关项
      • EmployeeNumber为编号，对建模是干扰项，删除即可。
      • StandardHours和Over18全数据集固定值，没有意义，删除。
    • 相关性高
      • 相关图
        
        发现有两项相关性极高，删除其中一个JobLevel
  • 数据预处理
    • 属性构造
      • 个人凭感觉制造了几个新特征
        -one-hot编码
      • 对几个字符串类型的属性，进行了one-hot编码
    • 数据挖掘建模
      • 我们看出有的特征的数字大，有的特征的数字小，进行标准化处理。
      • 采用多模型交叉验证选择较好的模型，在进一步调参
        • 代码

        # 多模型交叉验证
        import warnings
        warnings.filterwarnings('ignore')
        
        from sklearn.linear_model import LogisticRegression
        from sklearn.svm import SVC
        from sklearn.ensemble import RandomForestClassifier
        from sklearn.model_selection import cross_val_score
        models ={
            'LR':LogisticRegression(solver='liblinear'),
            'SVM':SVC(),
            'RF':RandomForestClassifier(n_estimators=150),
        }
        for k,clf in models.items():
            print('the model is %s'%k)
            scores = cross_val_score(clf,train.iloc[:,1:],train['Attrition'])
            print('Mean accuracy is {}'.format(np.mean(scores)))
            print('-'*20)
        

      • 对LR进行网格搜索进行调参

        # 数据分割 加网格搜索
        from sklearn.model_selection import train_test_split
        from sklearn.model_selection import GridSearchCV
        x_train,x_test,y_train,y_test = train_test_split(
            df_train.iloc[:,1:],df_train['Attrition'],random_state=22)
        params={
            'penalty':['l1', 'l2'],
            'C':np.arange(1,4.1,0.2),
        }
        estimator = LogisticRegression(solver='liblinear')
        grid = GridSearchCV(estimator,param_grid=params,cv=10)
        grid.fit(x_train,y_train)
        print('最好的参数',grid.best_params_)
        score = grid.score(x_test,y_test)
        print('在测试集的得分',score)
          ```
        

• 补充说明
  • 具体数据集和代码可以在我的Github中找到,1-pred即为提交文件。
  • 最终分数在0.90以上，但是对于新人的我已经很满意了
  • https://github.com/qq2471001205/My-repository/tree/master/ ----- 备用Github链接

参考文章

周先森爱吃素的博客