Scribd Logo
Cargar

¡Te damos la bienvenida a Scribd!

  • Esqueleto Departamento de Recursos Humanos - Colaboratory

    Cargado por

    Marcelo Arias
    11 vistas12 páginas
    Este documento presenta 8 tareas para predecir la retención de empleados utilizando regresión logística, bosques aleatorios y aprendizaje profundo. La primera tarea implica importar datos y bibliotecas. La segunda involucra visualizar el conjunto de datos y eliminar características innecesarias. La tercera crea conjuntos de entrenamiento y prueba. Las tareas 4-7 entrenan y evalúan los tres modelos. La última felicita al lector por su trabajo.

    Descripción original:

    Derechos de autor

    © © All Rights Reserved

    Formatos disponibles

    PDF, TXT o lea en línea desde Scribd

    ¿Le pareció útil este documento?

    ¿Este contenido es inapropiado?

    Denunciar este documento
    Este documento presenta 8 tareas para predecir la retención de empleados utilizando regresión logística, bosques aleatorios y aprendizaje profundo. La primera tarea implica importar datos y bibliotecas. La segunda involucra visualizar el conjunto de datos y eliminar características innecesarias. La tercera crea conjuntos de entrenamiento y prueba. Las tareas 4-7 entrenan y evalúan los tres modelos. La última felicita al lector por su trabajo.

    Copyright:

    © All Rights Reserved
    Descargue como PDF, TXT o lea en línea desde Scribd
    Marcar por contenido inapropiado
    11 vistas12 páginas

    Esqueleto Departamento de Recursos Humanos - Colaboratory

    Cargado por

    Marcelo Arias
    Este documento presenta 8 tareas para predecir la retención de empleados utilizando regresión logística, bosques aleatorios y aprendizaje profundo. La primera tarea implica importar datos y bibliotecas. La segunda involucra visualizar el conjunto de datos y eliminar características innecesarias. La tercera crea conjuntos de entrenamiento y prueba. Las tareas 4-7 entrenan y evalúan los tres modelos. La última felicita al lector por su trabajo.

    Copyright:

    © All Rights Reserved
    Descargue como PDF, TXT o lea en línea desde Scribd
    Marcar por contenido inapropiado
    de 12

    TAREA #1: ENTENDER EL ENUNCIADO DEL PROBLEMA Y

    EL CASO PRÁCTICO

    Figura 1. Predicción de la Retención de Empleados


    TAREA #2: IMPORTAR LAS LIBRERÍAS Y LOS DATASETS

    import pandas as pd
    import numpy as np
    import seaborn as sns
    import matplotlib.pyplot as plt

    # Necesitarás montar tu disco usando los siguientes comandos:
    # Para obtener más información sobre el montaje, consulta esto: https://stackoverflow.com/

    from google.colab import drive
    drive.mount('/content/drive')

    # Debe incluir el enlace completo al archivo csv que contiene su conjunto de datos

    # 35 características en total, cada una con 1470 puntos de datos
    TAREA #3: VISUALIZACIÓN DEL DATASET

    # Reemplazamos las columnas 'Attritition' y 'overtime' por enteros antes de poder llevar a 

    # Veamos si nos faltan datos, ¡afortunadamente no es así!

    # Algunas características como 'MonthlyIncome' y 'TotalWorkingYears' tienen una distribuci
    # Tiene sentido que nos desagamos de 'EmployeeCount' y 'Standardhours' ya que estos campos 

    # Tiene sentido deshacerse de 'EmployeeCount' , 'Standardhours' y 'Over18' ya que son camp
    # Eliminemos 'EmployeeNumber' también

    # Veamos cuantos empleados dejan la empresa!

    # Contamos el número de empleados que se quedaron y que se fueron
    # Parece que estamos ante un conjunto de datos desequilibrado

    left_df.describe()

    # Comparemos la media y el error estándar de los empleados que se quedaron y se fueron
    # 'age': la edad media de los empleados que se quedaron es mayor en comparación con los qu
    # 'DailyRate':·El·rate·diario·de·los·empleados·que·se·quedaron·es·mayor
    #·'DistanceFromHome':·Los·empleados·que·se·quedan·viven·más·cerca·del·trabajo
    #·'EnvironmentSatisfaction'·&·'JobSatisfaction':·Los·empleados·que·se·quedan·están·en·gene
    #·'StockOptionLevel':·Los·empleados·que·se·quedan·tienen·un·mayor·nivel·de·stocks·options

    # Job level está altamente correlacionado con el número total de horas de trabajo
    # Monthly income está altamente correlacionado con Job level
    # Monthly income está altamente correlacionado con el número total de horas de trabajo
    # Age está altamente correlacionado con los ingresos mensuales
    # Los empleados solteros tienden a irse en comparación con los casados ​
    y divorciados
    ​
    # Los representantes de ventas tienden a irse en comparación con cualquier otro trabajo
    # Los empleados menos involucrados tienden a dejar la empresa
    # Los menos experimentados (nivel laboral bajo) tienden a dejar la empresa

    # Veamos el Gender vs. Monthly Income

    # Veamos el monthly income vs. job role

    TAREA #4: CREAR LOS DATA SETS DE ENTRENAMIENTO Y


    TESTING Y LLEVAR A CABO LA LIMPIEZA DE DATOS

    Código Texto

    # Notemos que hemos elminado la columna target, 'Atrittion'
    TAREA #5: ENTENDER LA TEORÍA DETRÁS DE LA
    REGRESIÓN LOGÍSTICA, REDES NEURONALES
    ALRTIFICIALES Y CLASIFICADORES DE BOSQUES
    ALEATORIOS
    TAREA #6: ENTENDER COMO SE EVALUAN LOS MODELOS
    DE CLASIFICACIÓN
    TAREA #7: ENTRENAR Y EVALUAR UN CLASIFICADOR
    UTILIZANDO LA REGRESIÓN LOGÍSTICA
    # Resultados en el Conjunto de Testing

    TAREA #8: ENTRENAR Y EVALUR UN CLASIFICADOR


    UTILIZANDO BOSQUES ALEATORIOS

    # Resultados en el Conjunto de Testing

    TAREA #8: ENTRENAR Y EVALUR UN CLASIFICADOR


    UTILIZANDO DEEP LEARNING
    # oversampler = SMOTE(random_state=0)
    # smote_train, smote_target = oversampler.fit_sample(X_train, y_train)
    # epochs_hist = model.fit(smote_train, smote_target, epochs = 100, batch_size = 50)

    # Resultados en el Conjunto de Testing

    ¡EXCELENTE TRABAJO! USTED DEBE ESTAR ORGULLOSO


    DE SUS HABILIDADES RECIEN ADQUIRIDAS

    También podría gustarte