[發(fā)明專利]一種預(yù)測(cè)員工離職的方法及系統(tǒng)

在審

• 申請(qǐng)?zhí)枺?/td>: 201910307472.4
• 申請(qǐng)日: 2019-04-17
• 公開（公告）號(hào): CN109934420A
• 公開（公告）日: 2019-06-25
• 發(fā)明（設(shè)計(jì)）人: 張程;原佳琪;徐璐
• 申請(qǐng)（專利權(quán)）人: 重慶大學(xué)
• 主分類號(hào): G06Q10/04
• 分類號(hào): G06Q10/04;G06Q10/06;G06K9/62
• 代理公司: 重慶雙馬智翔專利代理事務(wù)所(普通合伙) 50241
• 代理人: 顧曉玲

1.一種預(yù)測(cè)員工離職的方法，其特征在于，包括：

步驟S1，獲取已分類員工數(shù)據(jù)并構(gòu)建第一訓(xùn)練集和第一驗(yàn)證集；

步驟S2，基于第一訓(xùn)練集建立第一隨機(jī)森林預(yù)測(cè)模型，利用袋外數(shù)據(jù)獲得第一訓(xùn)練集中每個(gè)特征的重要度,將第一訓(xùn)練集的所有特征按照重要度的高低依次排序，分別從第一訓(xùn)練集和第一驗(yàn)證集所有特征中選取重要度排名前m個(gè)特征作為特征子集，構(gòu)建第二訓(xùn)練集和第二驗(yàn)證集；所述m為正整數(shù)；

步驟S3，基于第二訓(xùn)練集建立第二隨機(jī)森林預(yù)測(cè)模型，利用第二驗(yàn)證集計(jì)算第二隨機(jī)森林預(yù)測(cè)模型中每棵決策樹的F-measure值，將決策樹的投票權(quán)值依據(jù)所述決策樹的F-measure值重新設(shè)置，獲得離職預(yù)測(cè)模型；

步驟S4，從待預(yù)測(cè)員工的數(shù)據(jù)中提取出特征子集為重要度排名中前m個(gè)特征的測(cè)試集，將測(cè)試集輸入離職預(yù)測(cè)模型，離職預(yù)測(cè)模型輸出待預(yù)測(cè)員工的離職預(yù)測(cè)結(jié)果。

2.如權(quán)利要求1所述的預(yù)測(cè)員工離職的方法，其特征在于，所述已分類員工數(shù)據(jù)包括已離職、不離職和正在離職的員工的數(shù)據(jù)。

3.如權(quán)利要求1所述的預(yù)測(cè)員工離職的方法，其特征在于，在所述步驟S2中，所述利用袋外數(shù)據(jù)獲得第一訓(xùn)練集中每個(gè)特征的重要度的步驟包括：

步驟S21，對(duì)于第一隨機(jī)森林預(yù)測(cè)模型中的每棵決策樹，使用每棵決策樹相應(yīng)的袋外數(shù)據(jù)計(jì)算OOB錯(cuò)誤，第p棵決策樹在噪聲干擾添加前的OOB錯(cuò)誤值標(biāo)記為errOOB1_p；

步驟S22，隨機(jī)向每棵決策樹的袋外數(shù)據(jù)中的特征X中添加噪聲干擾，并計(jì)算OOB錯(cuò)誤，第p棵決策樹在特征X中添加噪聲干擾后的OOB錯(cuò)誤值標(biāo)記為errOOB2_pX；

步驟S23，按照步驟S22中的方法完成所有特征的噪聲干擾添加以及添加噪聲干擾后的OOB錯(cuò)誤計(jì)算；

特征X的重要度的計(jì)算公式為：

其中，N為第一隨機(jī)森林預(yù)測(cè)模型中決策樹的數(shù)量，N為大于等于1的整數(shù)。

4.如權(quán)利要求1所述的預(yù)測(cè)員工離職的方法，其特征在于，所述步驟S3包括：

步驟S31，輸入第二驗(yàn)證集，將第二隨機(jī)森林預(yù)測(cè)模型中的每棵決策樹作為獨(dú)立的分類器對(duì)第二驗(yàn)證集中的每個(gè)樣本進(jìn)行分類，得到每個(gè)決策樹的精確率和召回率，計(jì)算決策樹的F-measure值：

其中，F(xiàn)_j為第二隨機(jī)森林預(yù)測(cè)模型中第j個(gè)決策樹的F-measure值，1≤j≤K,所述K為第二隨機(jī)森林預(yù)測(cè)模型中決策樹的數(shù)量，K為大于等于1的正整數(shù)；redall_j為第j個(gè)決策樹的召回率；precision_j為第j個(gè)決策樹的精確率；

步驟S32，在第二隨機(jī)森林預(yù)測(cè)模型的基礎(chǔ)上將決策樹的F-measure值作為所述決策樹的投票權(quán)值獲得離職預(yù)測(cè)模型；

離職預(yù)測(cè)模型中決策樹的投票權(quán)值為：

W_j＝F_j；

其中，W_j為離職預(yù)測(cè)模型中第j個(gè)決策樹的投票權(quán)值；

步驟S33，離職預(yù)測(cè)模型的分類結(jié)果為：

其中，x為輸入離職預(yù)測(cè)模型的測(cè)試集，H(x)為輸入測(cè)試集x后離職預(yù)測(cè)模型輸出的結(jié)果，h_j(x)表示第j個(gè)決策樹輸入測(cè)試集x的分類結(jié)果，Y表示輸出變量，函數(shù)I()為指標(biāo)函數(shù)。

5.如權(quán)利要求1所述的預(yù)測(cè)員工離職的方法，其特征在于，在所述步驟S2中，選取重要度排名前m個(gè)特征作為特征子集依據(jù)為：所述m個(gè)特征中任一特征的重要度為所有特征重要度的平均值的T倍，所述T大于1，T與預(yù)測(cè)員工離職的方法的執(zhí)行設(shè)備的可利用硬件資源有關(guān)，可利用硬件資源越多T越小，可利用硬件資源越少T越大。

6.一種預(yù)測(cè)員工離職的系統(tǒng)，其特征在于，包括處理器和員工數(shù)據(jù)單元，所述處理器從員工數(shù)據(jù)單元獲取包含有已分類員工數(shù)據(jù)和待預(yù)測(cè)員工數(shù)據(jù)，按照如權(quán)利要求1-5之一所述的預(yù)測(cè)員工離職的方法對(duì)待預(yù)測(cè)員工進(jìn)行離職預(yù)測(cè)。