Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Metodología
En la gestión de empleados, es deseable realizar un
seguimiento de cómo los empleados pasan su tiempo. Dicho
seguimiento es útil para determinar el desempeño de los
empleados.
Parámetros: Tareas, incluidos proyectos y procesos que se
realizan, tiempo dedicado a una tarea en particular,
eficiencia, productividad, rendimiento, tiempo de inactividad
y similares. Los gerentes utilizan estos parámetros para,
evaluar los costos laborales, programar a los empleados para
cumplir con las demandas laborales, evaluar la productividad
individual y grupal. Sin embargo, la recopilación y análisis
de estas informaciones son tediosos y complicados, por ello un empleado individual. Los campos en el conjunto de datos
se hace uso de algoritmos que nos permiten realizar los incluyen las siguientes 10 variables (ver tabla 6).
análisis en tiempo y costo optima.
El conjunto de datos se prepara, procesa y limpia utilizando
Algoritmo la pestaña de preprocesamiento de la ventana del explorador
de WEKA. Las capacidades de preprocesamiento de WEKA
Minería de datos, se utiliza esta técnica como asociación, se resumen en un amplio conjunto de rutinas conocidas como
agrupación, clasificación y predicción de cantidades para filtros. El preprocesamiento de un filtro se centra
establecer matrices de rendimiento y predecir los resultados básicamente en dos tipos de valores: instancia y atributo, en
futuros. los cuales se utilizan los conjuntos de datos para reorganizar
los valores. Las instancias se dividen en dos conjuntos de
datos: un conjunto de entrenamiento y un conjunto de
pruebas. El 70% del conjunto de datos se selecciona para el
entrenamiento y el 30% para las pruebas, y se ha
seleccionado una sección invertida para verificar la relación
de los dos valores.
B. Preprocesamiento de datos: Los datos disponibles para
la minería son datos en bruto, es decir, los datos originales.
Los datos pueden tener diferentes formatos y provienen de
diferentes fuentes. Los datos ruidosos pueden ser
irrelevantes, por lo que es necesario preprocesar los datos
antes de aplicar técnicas de minería de datos. El algoritmo de
minería de datos utiliza los siguientes pasos:
1) Integración de datos: Si los datos provienen de muchas
fuentes diferentes, entonces los datos deben tener diferentes
Regresión agregaciones, incluyendo la eliminación de
incompatibilidades entre conjuntos de datos con diferentes
El método de clasificación de vectores de soporte se puede propiedades o valores de atributos entre las fuentes de los
extender para resolver problemas de regresión. Este método conjuntos de datos.
se llama regresión de vectores de soporte. El modelo
producido por este método depende solo de un subconjunto 2) Discretización: Cuando el algoritmo de minería de datos
de los datos de entrenamiento, porque la función de costo no puede enfrentar características continuas, es necesario
para construir el modelo ignora cualquier dato de implementar la discretización. En esta fase, se cambia un
entrenamiento cercano a la predicción del modelo. Hay tres atributo continuo a un atributo categórico, tomando solo
implementaciones diferentes como SVR, NuSVR y Lineal. algunos valores discretos. La discretización a menudo mejora
la comprensión del conocimiento buscado.
Actualmente, durante la investigación se descubre que la
regresión SVR respalda la predicción cuantitativa con una 3) Selección de atributos: Todas las características están
buena precisión tomando como referencia la figura 16. relacionadas, por lo que seleccionar un subconjunto de
características asociadas requiere explorar todas las
RVS propiedades en la característica seleccionada.
En la investigación se busca predecir los resultados de la
cantidad, es decir el rendimiento de la categoría de conjunto
de habilidades para los próximos meses, SVR ayuda aquí.
Conclusión
En el artículo se propone un sistema de predicción del
desempeño de los empleados en base a algoritmos de minería
de datos. El trabajo futuro incluye la integración de este
sistema con interfaces web y bases de datos.
Resultados y discusión
A continuación, se muestra la precisión de la clasificación
utilizando varios algoritmos bajo el método de árbol en
WEKA. Además, la tabla proporciona resultados
comparativos para las estadísticas Kappa, el error absoluto
Fig. 19. Metodología de predicción.
medio, el error cuadrático medio, el error absoluto relativo y
el error cuadrático relativo de la raíz del total.
Técnicas de preprocesamiento
La información que recibimos del cliente es información
curda, por lo que necesita perfeccionarse, cambiarse y
disminuirse para que sea adecuada para aplicar estrategias
sobre ella, este procedimiento se conoce como
preprocesamiento. ETLT (eliminar, cambiar, apilar y
cambiar) para obtener información en la zona de pruebas.
Mejora la naturaleza general de la información y la
efectividad del modelo a entregar.
Escalado de características
Es la estrategia para restringir el alcance de los factores con
el objetivo de que se puedan considerar en términos básicos.
Se realiza sobre factores constantes.
Conclusiones Codificación de etiquetas
Sklearn ofrece una herramienta extremadamente eficiente
A medida que aumenta el número de graduados producidos
por las instituciones de educación superior cada año, los para codificar los niveles de un resumen total en valores
graduados se enfrentan a una mayor competencia para numéricos.
asegurar su empleo en el mercado laboral. El propósito del Codificación One-Hot
estudio es ayudar a las instituciones de educación superior a One-Hot Encoding cambia cada elemento definido con n
equipar a sus graduados con las habilidades suficientes para valores posibles en n aspectos destacados paralelos, con una
ingresar al mercado laboral. sola dinámica. La mayoría de los cálculos de ML toman un
El estudio intenta predecir si un egresado ha tenido solo peso para cada componente o las cifras se eliminan entre
empleo, permanece desempleado o se encuentra en una los ejemplos.
situación indeterminada después de graduarse. La predicción
se realizó con varios algoritmos bayesianos y de decisión Metodología
para clasificar un perfil de egresado, los resultados muestran
que el algoritmo WAODE, una variante del algoritmo Bayes, Se tiene la intención de prever si un representante continuará
logró la mayor precisión del 99.77%. La precisión promedio o dejará la asociación en función de la investigación de los
de otros algoritmos de Tree fue del 98.31%. datos de trabajadores anteriores. Los factores de expectativa
incluyen el nivel de cumplimiento, la última evaluación, las
horas normales de mes a mes, la compensación, la mala
J. Predecir la retención de empleados mediante la ciencia suerte laboral, el avance, el tiempo dedicado a la
de datos. organización y la división. Los modelos de aprendizaje
La idea principal de este informe es averiguar que automáticos como la recaída calculada, el orden del árbol de
empleado valioso dejará la empresa y las características que elección, etc. Son algunos que se eligieron para la predicción.
lo están afectando para tomar esta decisión, como el nivel
salarial, número de horas gastadas en una semana, Regresión lineal
promoción, número de accidentes de trabajo, etc. Regresión logística
Regresión de lazo
Resultados y discusión
El informe pretende prever si un trabajador procederá o
abandonará la asociación en vista del examen de la
información de los pasados representantes. Aquí se
proporciona la información utilizada para generar
expectativas, se encuentra en un marco impensable que
contiene segmentos como nivel de cumplimiento, última
evaluación, número de compromisos, horas normales de mes
a mes, años de permanencia en la organización, infortunio
laboral, oficina y pago.