決策樹、羅吉斯迴歸與類神經網路預測員工績效之比較研究

以作者查詢圖書館館藏

、以作者查詢臺灣博碩士

、以作者查詢全國書目

、勘誤回報

、線上人數：10

、訪客IP：3.17.154.171

姓名

陳冠吟(Guan-Yin Chen) 查詢紙本館藏

畢業系所

人力資源管理研究所

論文名稱

決策樹、羅吉斯迴歸與類神經網路預測員工績效之比較研究

相關論文

★ 企業內部人力資源入口網站使用者滿意度調查–以A公司為例	★ 員工內部行銷知覺、組織承諾與離職傾向之關係研究─以某科技公司為例
★ 研發人員創造力人格特質、工作價值觀對工作績效之影響-以某高科技研究機構為例	★ 組織生涯管理對組織承諾影響之探討-以A公司為例
★ 導入以職能為基礎之評鑑中心可行性研究－－以銀行業為例	★ 360 度管理職能評鑑與受評者自我覺察能力之探討－個案公司跨年度研究
★ 探討中階主管人格特質、領導風格與工作績效之關聯性--以Y公司為例	★ 因應公司經營策略變革之人力資源配置調整個案探討
★ 從組織變革觀點探討業務流程管理成效之個案研究	★ 主管領導風格與員工人格特質對工作績效之影響
★ 矩陣式組織之專案績效考核制度探討-以某公司為例	★ 企業因應員工分紅費用化之措施及其成效探討
★ 證券後勤基層主管職業生涯地圖之建立	★ 企業導入卓越經營績效評量之案例探討
★ 主管領導風格對組織氣候與績效之影響探討-以T公司為例	★ 人力資源管理措施對工作態度之影響探討-以台灣高鐵為例

檔案

[Endnote RIS 格式]

[Bibtex 格式]

[相關文章]

[文章引用]

[完整記錄]

[館藏目錄]

[檢視]

[下載]

本電子論文使用權限為同意立即開放。
已達開放權限電子全文僅授權使用者為學術研究之目的，進行個人非營利性質之檢索、閱讀、列印。
請遵守中華民國著作權法之相關規定，切勿任意重製、散佈、改作、轉貼、播送，以免觸法。

摘要(中)

人力資源領域中將資料探勘的分類技術應用於各方面並未相當常見。本研究將運用個案公司所提供人事資料庫之資料作為研究樣本，經由資料的蒐集及彙整過後，將資料進行分割，主要拆分為訓練樣本及驗證樣本兩部分，並以決策樹、羅吉斯迴歸、類神經網路等三種資料探勘技術建構員工績效高低預後模型。
　　結果顯示，以決策樹及類神經網路預測員工績效高低情形的模型為最佳，兩種模型準確度都有90%，ROC曲線下面積AUC值分別為0.907和0.914，表示決策樹及類神經網路模型不管在準確度或是AUC值之兩種模型好壞評估標準上都屬於擁有優良預測能力的模型。

摘要(英)

Using classification data-mining algorithm in predicting employee performance is rare. This study uses personnel data as research sample. After data cleaning and compiling process, data is divided into training dataset and the verification dataset. Then, this study uses three data mining technologies including decision tree, logistic regression and neural network to build employee performance prediction model by using training dataset.
　　The results show that the model of decision tree and neural network are the best in predicting employee performance by using verification dataset. Two accuracy of two model is 90%. Moreover, AUC is 0.907 and 0.914. It indicates that decision tree and neural network model have better prediction ability than logistic regression.

關鍵字(中)

★ 資料探勘
★ 人力資源管理
★ 決策樹
★ 羅吉斯迴歸
★ 類神經網路

關鍵字(英)

★ data exploration
★ human resource management
★ decision tree
★ logistic regression
★ neural network

論文目次

第一章緒論 1
第一節研究背景與動機 1
第二節研究目的 2
第三節研究流程 3
第二章文獻探討 4
第一節員工績效之相關理論 4
第二節人力資源領域之數據分析 6
第三節資料探勘之相關演算法 8
第三章研究方法 22
第一節研究架構 22
第二節資料前置處理 25
第三節研究工具 30
第四章研究結果分析 35
第一節敘述統計分析 35
第二節模型建立 36
第三節模型比較 45
第五章結論 47
第一節結論 47
第二節研究限制與建議 50
參考文獻 51

參考文獻

參考文獻
一、中文文獻
［1］Han, J. & Kamber, M.(2003)。資料探礦---概念與技術(曾龍譯)。出版商：維科出版
有限公司(原著出版年：2000年)。
［2］何子銘、盧瑜芬、許家瑋、白健佑、白璐、周雨青，… 朱基銘(2006)。運用三種資料探勘方法預測子宮頸癌存活情形之比較。台灣家庭醫學雜誌，16(3)，192-203.
［3］余慶華(2001)。消費金融從業人員之工作投入、工作滿意度、薪酬福利與工作績效
之相關聯研究-以高雄地區銀行為例。未出版博碩士論文，國立中山大學，高雄市。
［4］吳旭智、賴淑貞、尹相志(2001)。資料採礦理論與實務-顧客關係管理的技巧與科學。出版商：維科圖書有限公司。
［5］林俊宏(2005)。傳記式資料非線性甄選模式之建構-運用類神經網路並以櫃檯行員為例。國立中央大學人力資源管理研究所博士論文，桃園市。
［6］邱莉燕、鄭婷方(2013)。《Big Data大數據正在改變生活．創造新生意，看見未來5分鐘》，遠見雜誌，319。
［7］洪燕玉(2004)。汽車業務人員專業職能項目及其線上甄選量表之設計-以某汽車經銷商為例。國立中央大學人力資源管理研究所碩士論文，桃園市。
［8］徐晟熏(2015)。資料探勘(Data mining)在人力資源管理上的分析與應用，國立中央大學人力資源管理研究所碩士論文，桃園市。
［9］徐雅慧(2004)。個人特徵、工作滿意度與工作績效關係之探討-以 H 公司為例(未出版之碩士論文)。國立中央大學人力資源管理所，桃園市。
［10］張峯銘(2002)。薪資制度、組織承諾與員工績效關係之研究-以鍋爐製造業為例。國立中山大學人力資源管理研究所碩士在職專班。高雄市。
［11］梁雅芳(2014)。員工績效與職涯成功之關聯性-以LMX為調節變項。國立中央大學碩士論文，桃園市。

［12］郭信宏(2008)。應用資料探勘技術於面板檢測實證研究。國立中央大學工業管理研究所碩士在職專班學位論文，桃園市。
［13］郭淳頤(2016)。大數據時代下個人資料保護法間接識別之研究。私立東吳大學法　學院法律學系研究所在職專班碩士論文，台北市。
［14］陳卓遠(2011)。國際觀光旅館員工滿意度與員工績效關係之研究-以高雄地區三家國際觀光旅館為例。國立高雄餐旅大學餐旅管理研究所碩士論文，高雄市。
［15］廖述賢(2007)。資訊管理。出版商：雙葉書廊有限公司。
［16］廖述賢、溫志皓(2009)。資料採礦與商業智慧 Data Mining and Business Intelligence。出版商：雙葉書廊有限公司。
［17］鄭茂松(2016)。利用資料探勘技術建立破產預測模型。國立中央大學資訊管理學系碩士論文，桃園市。
［18］鄭曉明(2011)。現代企業人力資源管理導論。出版商：機械工業。
［19］謝邦昌(2005)。資料採礦與商業智慧-SQL Server 2005。出版商：鼎茂圖書社。
［20］謝俊輝(2016)。應用大數據及分析網路程序法探討學校用地再利用策略之研究，國立臺北大學不動產與城鄉環境學系研究所碩士論文，台北市。
［21］簡禎富、許嘉裕(2014)。資料挖礦與大數據分析。出版商：前程文化事業有限公司。

二、英文文獻
［1］Agresti A (2002) Categorical data analysis (2nd ed.) John Wiley, New York, p 710
［2］Berry, M., and Linoff, G. Data Mining Technique: For Marketing, Sales, and Customer Support. New York: Wiley Computer Publishing, 1997.
［3］Bersin, J. (2012). Big data in HR. Bersin & Associates, 1-84.
［4］Borman, W. C., & Motowidlo, S. J. (1993). Expanding the criterion domain to include elements of contextual performance. Personnel selection in organizations, 71-98. San Francisco, CA: Jossey-Bass.
［5］Borman, W. C., & Motowidlo, S. J. (1997). Task performance and contextual performance: The meaning for personnel selection research. Human performance, 10(2), 99-109.
［6］Boyatzis, R. E.(1982). The competent manager: A model for effective performance. New York, Wiley.
［7］Breiman, L., Friedman, J., Stone, C. J., & Olshen, R. A. (1984). Classification and regression trees. CRC press.
［8］Carson, K. P., Cardy, R. L., & Dobbins, G. H. (1991). Performance appraisal as effective management or deadly management disease two initial empirical investigations. Group & Organization Management, 16(2), 143-159.
［9］Caudill, M. (1987). Neural networks primer, part I. AI expert, 2(12), 46-52.
［10］Chien, C. F., & Chen, L. F. (2008). Data mining to improve personnel selection and enhance human capital: A case study in high-technology industry. Expert Systems with applications, 34(1), 280-290.
［11］Curt, H. (1995). The Devile’s in the detail: techniques, tool, and applications for data mining and knowledge discovery – Part 1. Intelligent Software Strategies, 6(9), 1-15.
［12］Delen, D., Walker, G., & Kadam, A. (2005). Predicting breast cancer survivability: a comparison of three data mining methods. Artificial intelligence in medicine, 34(2), 113-127.2005; 34: 113-27.
［13］Fayyad, U. M., Piatesky-Shapiro, G., & Smyth, P. (1996). From data mining to knowledge discovery: an overview’’ advances in knowledge discovery and data mining. MIT Press.
［14］Feinberg S (1985) The analysis of cross-classified categorical data (2nd ed.) MIT Press, Cambridge, p 198
［15］Freeman, J. A., & Skapura, D. M. (1992). Neural Networks: Algorithms, Applications and Programming Techniques. JOURNAL OPERATIONAL RESEARCH SOCIETY, 43, 1106-1106.
［16］Gentry, J. A., Newbold, P., & Whitford, D. T. (1985). Classifying bankrupt firms with funds flow components. Journal of Accounting research, 146-160.
［17］H.V. Jagadish,2015, Big Data and Science: Myths and Reality, Big Data Research,2(2),49-52.
［18］Han, J., Pei, J., & Kamber, M. (2011). Data mining: concepts and techniques. Elsevier.
［19］Hopfield, J. J. (1982). Neural networks and physical systems with emergent collective computational abilities. Proceedings of the national academy of sciences, 79(8), 2554-2558
［20］Hui, S. C., & Jha, G. (2000). Data mining for customer service support. Information & Management, 38, 1-13.
［21］Jantan, H., Hamdan, A. R., & Othman, Z. A. (2009). Knowledge discovery techniques for talent forecasting in human resource application. World Academy of Science, Engineering and Technology, 50, 775-783.

［22］Jantan, H., Hamdan, A. R., & Othman, Z. A. (2010). Human talent prediction in HRM using C4. 5 classification algorithm. International Journal on Computer Science and Engineering, 2(08-2010), 2526-2534.
［23］Jantan, H., Hamdan, A. R., & Othman, Z. A. (2011). Data mining classification techniques for human talent forecasting. INTECH Open Access Publisher.
［24］Jantan, H., Hamdan, A., Othman, Z., & Puteh, M. (2010, May). Applying data mining classification techniques for employee’s performance prediction. In Knowledge Management 5th International Conference (KMICe2010) ,645-652.
［25］K. Mehta, S. Bhattacharyya Adequacy of training data for evolutionary mining of trading rules. Decision Support Systems, 37 (2004), pp. 461- 474.
［26］Kass, G. V., “An exploratory technique for investigating large quantities of categorical data,” Applied Statistics, Vol. 29, No. 2, pp. 119-127 (1980).
［27］Katz, D., & Kahn, R. L. (1966). The social psychology of organizations (1st ed.). New York: John Wiley & Sons.
［28］Laney, Douglas. “The Importance of ‘Big Data’: A Definition”. Gartner. Retrieved 21 June 2012.
［29］Luan, J. (2002). Data mining and its applications in higher education. New directions for institutional research, 2002(113), 17-36.
［30］McAfee, A., Brynjolfsson, E., Davenport, T. H., Patil, D. J., & Barton, D. (2012). Big data. The management revolution. Harvard Bus Rev, 90(10), 61-67.
［31］McClelland, D. C.(1973). Testing for competence rather than for “intelligence”. The American Psychologist, 28(1), 1-14.
［32］Quinlan, J. R. (1993). C4.5: Programming for machine learning. Morgan Kauffmann, 38.
［33］Quinlan, J.R.(1986).Induction of decision trees.Machine learning, 1, 81-106.

［34］Ranjan, J. (2008). Data Mining Techniques for better decisions in Human Resource Management Systems. International Journal of Business Information Systems, 3(5), 464-481.
［35］Ranjan, J., Goyal, D. P., & Ahson, S. I. (2008). Data mining techniques for better decisions in human resource management systems. International Journal of Business Information Systems, 3(5), 464-481.
［36］Reddin, W. J.(1970). Managerial Effectiveness.
［37］Robbins, S. P. 1996. Organizational Behavior-Concepts, Controversies, and Application , 7th ed., Prentice-Hall, International Inc.
［38］Rosenblatt, F. (1962). A comparison of several perceptron models. Self-Organizing Systems, 463-484.
［39］Rumelhart, D. E., Hinton, G. E., and Williams, R. J. (1986) "Learning Internal Representations by Error Propagation" in Rumelhart, D. E. and McClelland, J. L.J Parallel Distributed Processing: Explorations in the Microstructure of Cognition, MIT Press.
［40］Schermerhorn, J. R., Hunt, J. M., & Osborn, R. N. (2000). Managing Organizational Behavior, 6th ed., John Wiley and Sons, Inc., New York.
［41］Spencer, L. M. & Spencer S. M. (1993). “Competence at Work: Models for Superior Performance.” New York: John Wiley & Son
［42］Tso, G. K., & Yau, K. K. (2007). Predicting electricity energy consumption: A comparison of regression analysis, decision tree and neural networks. Energy,32(9), 1761-176.

指導教授

鄭晉昌、林俊宏(Jihn-Chang Jehng Chun-Hung Lin)

審核日期

2017-6-13

推文