دانلود ترجمه مقاله پیش بینی قصد ترک شغل کارمندان از طریق روش های یادگیری ماشین

نتیجه گیری:
میل به ترک شغل کارکنان، به عنوان یک فاکتور مهم که می تواند بر سر راه رشد سازمان باشد، شناسایی شده است. در این پژوهش، عملکرد 10 روش یادگیری ماشین نظارت شده، در مجموعه داده های مختلف HR، ارزیابی گشت. علاوه بر تحلیل آماری ،چندین تکنیک داده کاوی نیز معرفی شده است و دراین مطالعه بررسی شده اند (شامل مقیاس بندی داده، جستجوی پارامتر و اعتبارسنجی متقابل). برای بهبودبخشی قابلیت تفسیر مدل میل به ترک شغل کارکنان، مثال هایی از درجه بندی اهمیت ویژگی و مصورسازی طبقه بندی کننده و توصیه های درباره نحوه استفاده مناسب از آن ها نیز در بخش 4 ارائه شده است. نتایج آزمایش عددی نشان می دهد که برای مجموعه داده کوچک HR، نکته کلیدی، امتحان کردن الگوریتم های مختلف است زیرا پدیده هیو می تواند منجر به نتایج بیش- بهینه شود. در صورتی که مجموعه داده های HR بیشتری در دسترس باشد، افزایش گرادیان افراطی، به عنوان اطمینان پذیرترین الگوریتم توصیه می شود. این روش به کمترین پیش پردازش داده نیاز دارد، قدرت پیش –بینانه مناسبی داشته و به طور اتوماتیک و قابل اطمینان، اهمیت ویژگی را درجه بندی می کند. به دلیل اهمیت پیچیدگی پیشبینی میل به ترک شغل کارکنان باید تلاش کرد که طبقه بندی کننده ای را بیابیم که بیشترین انطباق را با داده ها داشته باشد.

Concluding Remarks:
Employee turnover has been identified as a pivotal factor to curb the growth of organizations. In this research, the performance of ten supervised machine learning methods was evaluated on various HR datasets. In addition to statistical analysis, a number of data mining techniques were introduced and used in this study, including data scaling, parameter searching and cross validation. To enhance the interpretability of employee turnover model, the examples of feature importance ranking and classifier visualization, and suggestions on how to use them appropriately, were also provided in Sect. 4. The numerical experiment results indicate that for small HR datasets, the key is to try different algorithms as Hughes phenomenon may result in overoptimistic results. If there are more HR datasets available, extreme gradient boosting is recommended to use as the most reliable algorithm. It requires minimal data preprocessing, has decent predictive power, and ranks the feature importance automatically and reliably. However, due to the complexity of employee turnover prediction, one should try to find the classifier that best fits the underlying data before taking this approach.