Перейти к основному содержимому

Course

HR Analytics: Predicting Employee Churn in Python

СреднийУровень мастерства

Обновлено 04.2026

In this course you'll learn how to apply machine learning in the HR domain.

Начать Курс Бесплатно

PythonMachine Learning4 ч14 videos44 Exercises3,500 XP8,865Свидетельство о достижениях

Создайте бесплатный аккаунт

или

Продолжая, вы принимаете наши Условия использования, нашу Политику конфиденциальности и подтверждаете, что ваши данные хранятся в США.

Пользуется популярностью среди обучающихся в тысячах компаний.

Обучение двух или более человек?

Попробуйте DataCamp for Business

Описание курса

Among all of the business domains, HR is still the least disrupted. However, the latest developments in data collection and analysis tools and technologies allow for data driven decision-making in all dimensions, including HR. This course will provide a solid basis for dealing with employee data and developing a predictive model to analyze employee turnover.

Предварительные требования

Intermediate Python

1

Introduction to HR Analytics

In this chapter you will learn about the problems addressed by HR analytics, as well as will explore a sample HR dataset that will further be analyzed. You will describe and visualize some of the key variables, transform and manipulate the dataset to make it ready for analytics.

Introduction and overview

Finding categorical variables

Observing categoricals

Transforming categorical variables

Encoding categories

Getting dummies

Descriptive statistics

Correlations in the employee data

Percentage of employees who churn

Начало Главы

2

Predicting employee turnover

This chapter introduces one of the most popular classification techniques: the Decision Tree. You will use it to develop an algorithm that predicts employee turnover.

Splitting the data

Separating Target and Features

Spliting employee data

Introduction to Decision Tree classification

Computing Gini index

Splitting the tree

Predicting employee churn using decision trees

Fitting the tree to employee data

Checking the accuracy of prediction

Interpretation of the decision tree

Exporting the tree

Interpretation of results

Начало Главы

3

Evaluating the turnover prediction model

Here, you will learn how to evaluate a model and understand how "good" it is. You will compare different trees to choose the best among them.

Tuning employee turnover classifier

Pruning the tree

Limiting the sample size

Evaluating the model

Interpreting accuracy metrics

Calculating accuracy metrics: precision

Calculating accuracy metrics: recall

Targeting both leavers and stayers

Calculating the ROC/AUC score

Class imbalance

Balancing classes

Comparison of Employee attrition models

Начало Главы

4

Choosing the best turnover prediction model

In this final chapter, you will learn how to use cross-validation to avoid overfitting the training data. You will also learn how to know which features are impactful, and which are negligible. Finally, you will use these newly acquired skills to build a better performing Decision Tree!

Hyperparameter tuning

Cross-validation using sklearn

Setting up GridSearch parameters

Implementing GridSearch

Important features for predicting attrition

Interpreting importance

Sorting important features

Selecting important features

Develop and test the best model

Final thoughts

Начало Главы

HR Analytics: Predicting Employee Churn in Python

Курс
завершен

Получите свидетельство о достижениях

Добавьте эти данные в свой профиль LinkedIn, резюме или CV.
Поделитесь этим в социальных сетях и в своем отчете об оценке эффективности работы.Запишитесь Прямо Сейчас

Присоединяйтесь 19 миллионов учащихся и начните HR Analytics: Predicting Employee Churn in Python сегодня!

Создайте бесплатный аккаунт

или

Продолжая, вы принимаете наши Условия использования, нашу Политику конфиденциальности и подтверждаете, что ваши данные хранятся в США.

Развивайте свои навыки работы с данными с помощью DataCamp для мобильных устройств.

Успевайте в обучении на ходу с помощью наших мобильных курсов и ежедневных 5-минутных заданий по программированию.