数据挖掘竞赛-员工离职预测训练赛_dc员工离职预测

员工离职预测

简介

DC的一道回归预测题。是比较基础的分类问题，主要对逻辑回归算法的使用。核心思路为属性构造+逻辑回归。

过程

数据获取

报名参与比赛即可获得数据集的百度网盘地址，这个比赛时间很久，随时可以报名。

数据探索

• 无关项
  • EmployeeNumber为编号，对建模是干扰项，删除即可。
  • StandardHours和Over18全数据集固定值，没有意义，删除。
  • 相关性高
• 相关图
  
  可以发现，有两项相关性极高，删除其中一个MonthlyIncome。

数据预处理

• one-hot编码
  • 对几个固定几个取字符串值的特征进行one-hot编码
• 属性构造
  • 特征数目较少，暴力拼接不同属性，构造新属性

数据挖掘建模

既是回归赛又是分类题，很明显就是使用逻辑回归（LR）模型。但是还是使用未调参的几个基础模型进行交叉验证，发现LR较高，加上其他模型调参麻烦，就没有多加研究。

# 多模型交叉验证
from sklearn.linear_model import LogisticRegression
from sklearn.svm import SVC
from sklearn.tree import DecisionTreeClassifier
from sklearn.ensemble import RandomForestClassifier, AdaBoostClassifier, GradientBoostingClassifier
import sklearn.neural_network as sk_nn
from sklearn.model_selection import cross_val_score
models = {
   'LR': LogisticRegression(solver='liblinear', penalty='l2', C=1),
   'SVM': SVC(C=1, gamma='auto'),
   'DT': DecisionTreeClassifier(),
   'RF' : RandomForestClassifier(n_estimators=100),
   'AdaBoost': AdaBoostClassifier(n_estimators=100),
   'GBDT': GradientBoostingClassifier(n_estimators=100),
   'NN': sk_nn.MLPClassifier(activation='relu',solver='adam',alpha=0.0001,learning_rate='adaptive',learning_rate_init=0.001, max_iter=1000)  
}

for k, clf in models.items():
   print("the model is {}".format(k))
   scores = cross_val_score(clf, x_train, y_train, cv=10)
   print(scores)
   print("Mean accuracy is {}".format(np.mean(scores)))
   print("*" * 100)
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23

对LR模型进行网格搜索调参，发现默认参数即可有不错的平台验证率。

# 网格搜索调参
from sklearn.model_selection import GridSearchCV
from sklearn.linear_model import LogisticRegression
penaltys = ['l1', 'l2']
Cs = np.arange(1, 10, 0.1)
parameters = dict(penalty=penaltys, C=Cs )
lr_penalty= LogisticRegression(solver='liblinear')
grid= GridSearchCV(lr_penalty, parameters,cv=10)
grid.fit(x_train,y_train)
grid.cv_results_
print(grid.best_score_)
print(grid.best_params_) 
1
2
3
4
5
6
7
8
9
10
11
12

补充说明

其实XgBoost和RF可能效果更好一些，但是由于一些原因，没有深究，有兴趣的可以进一步研究，最高的貌似研究有0.92以上通过率了。具体数据集和代码可以在我的Github找到，result.csv即为提交文件。附上提交时的平台分数和排名（22/1808）。