Predictive Models for Employee Voluntary Turnover: An Empirical Study of a Manufacturing Company in Taiwan

NCU Institutional Repository > 管理學院 > 人力資源管理研究所 > 博碩士論文 > Item 987654321/82962

jsp.display-item.identifier=請使用永久網址來引用或連結此文件: http://ir.lib.ncu.edu.tw/handle/987654321/82962

题名:	Predictive Models for Employee Voluntary Turnover: An Empirical Study of a Manufacturing Company in Taiwan
作者:	喬琳;Chiao, Lynn
贡献者:	人力資源管理研究所
关键词:	機器學習;人員自願性離職;特徵選取;預測模型;監督式分類;Machine learning;Employee voluntary turnover;Feature selection;Predictive model;Supervised classification
日期:	2020-07-06
上传时间:	2020-09-02 14:16:12 (UTC+8)
出版者:	國立中央大學
摘要:	本研究以台灣某製造業公司的人員資料進行分析，使用羅吉斯迴歸、支持向量機、決策樹、隨機森林和極限梯度提升這五種監督式機器學習演算法，建立人員自願性離職的預測模型。除此之外，研究同時探討不平衡資料、特徵選取與K-摺疊交叉驗證的處理技術。結果顯示，隨機森林與極限梯度提升的預測表現最佳，兩個模型的F分數與AUC值均達0.85以上，代表模型有良好的鑑別度，能有效預測人員是否會選擇離職。透過分析變數重要性，研究發現人員的年齡、年資、初階管理訓練時數、專業訓練時數與平均晉升次數皆是用來判斷人員是否會選擇離職的主要依據。關鍵詞：機器學習、人員自願性離職、特徵選取、預測模型、監督式分類 ;This study collects data from a manufacturing company in Taiwan. Logistic regression, support vector machine, decision tree, random forest, and eXtreme Gradient Boosting algorithms are adopted in order to build a reliable predictive model to predict employee voluntary turnover. Moreover, imbalanced classification problem, feature selection and K-fold cross validation are introduced and tested in this study. The results suggest random forest and eXtreme Gradient Boosting perform the best, both predictive models have the F-Score and AUC values above 0.85. Results of variable importance show elementary level of managerial training hours, professional training hours, average number of promotions, job tenure, and age contribute the most in predicting employee voluntary turnover outcome. Keywords: Machine learning, Employee voluntary turnover, Feature selection, Predictive model, Supervised classification
显示于类别:	[人力資源管理研究所] 博碩士論文

文件中的档案:

档案	描述	大小	格式	浏览次数
index.html		0Kb	HTML	229	检视/开启

在NCUIR中所有的数据项都受到原著作权保护.

社群 sharing

数据加载中.....