【机器学习案例-16】员工离职预测：从数据探索到模型构建完整流程解析

🧑 博主简介：曾任某智慧城市类企业算法总监，目前在美国市场的物流公司从事高级算法工程师一职，深耕人工智能领域，精通python数据挖掘、可视化、机器学习等，发表过AI相关的专利并多次在AI类比赛中获奖。CSDN人工智能领域的优质创作者，提供AI相关的技术咨询、项目开发和个性化解决方案等服务，如有需要请站内私信或者联系任意文章底部的的VX名片（ID：xf982831907）

💬 博主粉丝群介绍：① 群内初中生、高中生、本科生、研究生、博士生遍布，可互相学习，交流困惑。② 热榜top10的常客也在群里，也有数不清的万粉大佬，可以交流写作技巧，上榜经验，涨粉秘籍。③ 群内也有职场精英，大厂大佬，可交流技术、面试、找工作的经验。④ 进群免费赠送写作秘籍一份，助你由写作小白晋升为创作大佬。⑤ 进群赠送CSDN评论防封脚本，送真活跃粉丝，助你提升文章热度。有兴趣的加文末联系方式，备注自己的CSDN昵称，拉你进群，互相学习共同进步。

一、项目背景与目标

  “员工突然离职对企业造成多大损失？如何提前预判离职风险？”
  本文将带您从零开始，使用决策树和随机森林算法，基于真实HR数据集构建员工离职预测模型。通过完整的数据分析流程，揭示影响员工离职的关键因素，并实现可落地的预测方案。

---

二、数据集介绍

  使用公开HR数据集，包含14,999条员工记录，关键特征包括：

特征名称	说明	类型
satisfaction_level	员工对公司的满意度	float64
last_evaluation	绩员工上次KPI评分	float64
number_project	同时处理的项目数	int64
average_montly_hours	平均每个月的工作时间	int64
time_spend_company	在公司的时间	int64
Work_accident	是否出现过工作事故	int64
left	是否离开	int64
promotion_last_5years	最近5年是否升职	int64
sales	员工部门	object
salary	薪资等级	object

---

三、完整代码实现

1. 环境准备与数据加载

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
import seaborn as sns
from sklearn.model_selection import train_test_split
from sklearn.tree import DecisionTreeClassifier
from sklearn.ensemble import RandomForestClassifier
from sklearn.metrics import classification_report, roc_auc_score

# 配置可视化样式
plt.style.use('ggplot')
%matplotlib inline

# 加载数据
df = pd.read_csv('/path/to/HR_comma_sep.csv')

  查看数据基本情况：

print(df.shape)
df.info()
df.head()

df.isna().sum()

  发现一共有14999条数据，数据包含10个特征，而数据集中无缺失值；

2. 数据预处理

# 特征重命名
df = df.rename(columns={
    'satisfaction_level': 'satisfaction',
    'last_evaluation': 'evaluation',
    'number_project': 'projectCount',
    'average_montly_hours': 'averageMonthlyHours',
    'time_spend_company': 'yearsAtCompany',
    'Work_accident': 'workAccident',
    'promotion_last_5years': 'promotion',
    'sales': 'department',
    'left': 'turnover'
})

# 处理分类变量
df['department'] = df['department'].astype('category').cat.codes
df['salary'] = df['salary'].astype('category').cat.codes

# 检查数据平衡性
print(f"离职比例：{df.turnover.value_counts(normalize=True)[1]:.1%}")

3. 探索性分析（EDA）

3.1 特征分布可视化

# 设置画布
fig, axes = plt.subplots(2, 2, figsize=(15, 10))

# 满意度分布对比
sns.kdeplot(data=df, x='satisfaction', hue='turnover', ax=axes[0,0], fill=True)
axes[0,0].set_title('满意度分布对比')

# 工时分布对比
sns.boxplot(data=df, x='turnover', y='averageMonthlyHours', ax=axes[0,1])
axes[0,1].set_title('月均工时分布')

# 项目数分布
sns.countplot(data=df, x='projectCount', hue='turnover', ax=axes[1,0])
axes[1,0].set_title('参与项目数分布')

# 司龄分布
sns.histplot(data=df, x='yearsAtCompany', hue='turnover', multiple='stack', ax=axes[1,1])
axes[1,1].set_title('司龄分布')

plt.tight_layout()

3.2 相关性分析

# 计算相关系数矩阵
corr_matrix = df.corr()

# 绘制热力图
plt.figure(figsize=(12,8))
sns.heatmap(corr_matrix, annot=True, cmap='coolwarm', fmt=".2f")
plt.title('特征相关性热力图')

---

4. 特征工程与数据拆分

# 划分特征与标签
X = df.drop('turnover', axis=1)
y = df['turnover']

# 分层抽样拆分数据集
X_train, X_test, y_train, y_test = train_test_split(
    X, y, 
    test_size=0.2, 
    stratify=y,  # 保持类别分布
    random_state=42
)

---

5. 模型构建与评估

5.1 决策树模型

# 初始化决策树
dtree = DecisionTreeClassifier(
    criterion='entropy',
    max_depth=3,
    min_samples_leaf=0.01,
    random_state=42
)

# 训练模型
dtree.fit(X_train, y_train)

# 模型评估
print("决策树性能评估：")
print(classification_report(y_test, dtree.predict(X_test)))
print(f"AUC得分：{roc_auc_score(y_test, dtree.predict_proba(X_test)[:,1]):.2f}")

5.2 随机森林模型

# 初始化随机森林
rf = RandomForestClassifier(
    n_estimators=100,
    max_depth=5,
    class_weight='balanced',  # 处理数据不平衡
    random_state=42
)

# 训练模型
rf.fit(X_train, y_train)

# 模型评估
print("\n随机森林性能评估：")
print(classification_report(y_test, rf.predict(X_test)))
print(f"AUC得分：{roc_auc_score(y_test, rf.predict_proba(X_test)[:,1]):.2f}")

---

6. 关键特征解析

# 获取特征重要性
feature_importance = pd.Series(rf.feature_importances_, index=X.columns)
feature_importance = feature_importance.sort_values(ascending=False)

# 可视化特征重要性
plt.figure(figsize=(10,6))
sns.barplot(x=feature_importance, y=feature_importance.index)
plt.title('特征重要性排序')
plt.xlabel('重要性得分')

---

四、分析结论与业务洞见

1. 关键离职驱动因素

   • 员工满意度与离职率呈强负相关（相关系数-0.39）
   • 高绩效员工离职呈现双峰现象（满意度分布分析）
   • 月均工时超过250小时的员工离职风险显著增加

2. 模型表现对比

   模型	准确率	召回率	AUC
   决策树	0.97	0.95	0.96
   随机森林	0.98	0.98	0.99

3. 业务建议

   • 建立满意度实时监测系统
   • 优化高绩效员工的工作强度分配
   • 对司龄3-5年的员工加强关怀计划

---

五、优化方向与思考

1. 模型优化

   • 尝试XGBoost、LightGBM等梯度提升算法
   • 使用SMOTE等过采样技术处理数据不平衡

2. 特征工程

   • 构建交叉特征（如：满意度*绩效评分）
   • 添加时间序列特征（历史行为数据）

3. 部署应用

   • 开发可视化预警看板
   • 集成到HR系统实现实时预测

---