پيش‌بيني ريزش كارمندان با استفاده از ‌الگوريتم‌هاي يادگيري گروهي مبتني بر درخت ‌تصميم

يكي از مهم‌ترين نگراني‌هاي مديران ترك خدمت كاركنان كليدي است؛ زيرا سازمان با ازدست‌دادن نيروهاي ارزشمند خود، متحمل ازدست‌دادن دانش و تجربياتي مي‌شود كه طي سال‌ها تلاش به‌دست‌آمده است؛ بنابراين پيش‌بيني ريزش كاركنان به مديران منابع انساني در استخدام نيروهاي ماندگار و حفظ و نگهداري آنها كمك مي‌كند. يكي از ابزارهاي كارآمد دراين‌خصوص استفاده از روش‌هاي مختلف داده‌كاوي است. تعداد كم نمونه‌ها و نامتوازن بودن داده‌هاي ريزش كاركنان و تنظيم ابر پارامترها از جمله مشكلات استفاده از روش‌هاي داده‌كاوي براي پيش‌بيني ريزش كاركنان است. هدف  اين تحقيق، ارائه روش‌هاي مناسب كاهش ويژگي و پيش‌پردازش داده‌ها به همراه ارائه راهكار براي تنظيم مناسب ابر پارامترها براي پيش‌بيني ريزش كاركنان با استفاده از تكنيك‌هاي مختلف داده‌كاوي و الگوريتم‌هاي يادگيري ماشين تجمعي است. باتوجه‌به نامتوازن بودن داده‌ها، از روش‌هاي كم نمونه‌گيري تصادفي و تركيب آن با بيش نمونه‌گيري تصادفي براي متوازن‌سازي داده‌ها با نسبت‌هاي متفاوت استفاده شد. باتوجه‌به مثبت‌بودن همه داده‌ها از روش كاهش ابعاد تجزيۀ ماتريس نامنفي NMF استفاده گرديد. با استفاده از روش‌هاي جستجوي ابر پارامترها، مقادير بهينه ابر پارامترها براي الگوريتم‌هاي پيشنهادي، تعيين شد. براي ارزيابي روش پيشنهادي از مجموعه‌داده‌هاي استاندارد با اندازه‌هاي مختلف استفاده شده است. نتايج روش پيشنهادي با نتايج حاصل از ساير روش‌هاي مطرح در اين حوزه مانند KNN, AdaBoost, DT و SVC مقايسه شده است. نتايج به‌دست‌آمده نشان مي‌دهند كه مدل پيشنهادي اين تحقيق نسبت به تحقيقاتي كه در گذشته روي همين داده‌ها صورت‌گرفته، داراي دقت پيش‌بيني بهتري است. طبق بررسي‌هاي انجام شده در اين تحقيق كه با استفاده از يك روش تركيبي انتخاب ويژگي انجام شد، ويژگي‌هاي «سن»، «درآمد ماهيانه»، «نرخ روزانه»، «اضافه‌كاري» و «تعداد شركت‌هايي كه كارمند در آنها كاركرده»، بيش‌ترين تأثير را بر ريزش كاركنان داشته‌اند.