kaggle案例：预测员工离职（人工智能告诉你答案）

        ################### ============== 加载包 =================== #################

library（plyr） # Rmisc的关联包，若同时需要加载dplyr包，必须先加载plyr包

library（dplyr） # filter（）

library（ggplot2） # ggplot（）

library（DT） # datatable（） 建立交互式数据表

library（caret） # createDataPartition（） 分层抽样函数

library（rpart） # rpart（）

library（e1071） # naiveBayes（）

library（pROC） # roc（）

library（Rmisc） # multiplot（） 分割绘图区域

################### ============= 导入数据 ================== #################

hr 《- read.csv（“D:/R/天善智能/书豪十大案例/员工离职预测\HR_comma_sep.csv”）

str（hr） # 查看数据的基本数据结构

描述性分析

################### ============= 描述性分析 ================== ###############

str（hr） # 查看数据的基本数据结构

summary（hr） # 计算数据的主要描述统计量

# 后续的个别模型需要目标变量必须为因子型，我们将其转换为因子型

hr$left 《- factor（hr$left， levels = c（‘0’， ‘1’））

## 探索员工对公司满意度、绩效评估和月均工作时长与是否离职的关系

# 绘制对公司满意度与是否离职的箱线图

box_sat 《- ggplot（hr， aes（x = left， y = satisfaction_level， fill = left）） +

geom_boxplot（） +

theme_bw（） + # 一种ggplot的主题

labs（x = ‘left’， y = ‘satisfaction_level’） # 设置横纵坐标标签

box_sat

员工对公司满意度与是否离职的箱线图

离职员工对公司的满意度较低，大多集中在0.4左右；

# 绘制绩效评估与是否离职的箱线图

box_eva 《- ggplot（hr， aes（x = left， y = last_evaluation， fill = left）） +

geom_boxplot（） +

theme_bw（） +

labs（x = ‘left’， y = ‘last_evaluation’）

box_eva

绩效评估与是否离职的箱线图

离职员工的绩效评估较高，在0.8以上的较为集中；

# 绘制平均月工作时长与是否离职的箱线图

box_mon 《- ggplot（hr， aes（x = left， y = average_montly_hours， fill = left）） +

geom_boxplot（） +

theme_bw（） +

labs（x = ‘left’， y = ‘average_montly_hours’）

box_mon

离职员工的平均月工作时长较高，一多半超过了平均水平（200小时）

# 绘制员工在公司工作年限与是否离职的箱线图

box_time 《- ggplot（hr， aes（x = left， y = time_spend_company， fill = left）） +

geom_boxplot（） +

theme_bw（） +

labs（x = ‘left’， y = ‘time_spend_company’）

box_time

离职员工的工作年限在4年左右

# 合并这些图形在一个绘图区域，cols = 2的意思就是排版为一行二列

multiplot（box_sat， box_eva， box_mon， box_time， cols = 2）

## 探索参与项目个数、五年内有没有升职和薪资与离职的关系

# 绘制参与项目个数条形图时需要把此变量转换为因子型

hr$number_project 《- factor（hr$number_project，

levels = c（‘2’， ‘3’， ‘4’， ‘5’， ‘6’， ‘7’））

# 绘制参与项目个数与是否离职的百分比堆积条形图

bar_pro 《- ggplot（hr， aes（x = number_project， fill = left）） +

geom_bar（position = ‘fill’） + # position = ‘fill’即绘制百分比堆积条形图

theme_bw（） +

labs（x = ‘left’， y = ‘number_project’）

bar_pro

员工参与项目个数与是否离职的百分比堆积条形图

参加项目数越多的员工离职率越大（去除项目数为2的样本）

# 绘制5年内是否升职与是否离职的百分比堆积条形图

bar_5years 《- ggplot（hr， aes（x = as.factor（promotion_last_5years）， fill = left）） +

geom_bar（position = ‘fill’） +

theme_bw（） +

labs（x = ‘left’， y = ‘promotion_last_5years’）

bar_5years

5年内是否升职与是否离职的百分比堆积条形图

五年内没有升职的员工的离职率比较大

# 绘制薪资与是否离职的百分比堆积条形图

bar_salary 《- ggplot（hr， aes（x = salary， fill = left）） +

geom_bar（position = ‘fill’） +

theme_bw（） +

labs（x = ‘left’， y = ‘salary’）

bar_salary

薪资与是否离职的百分比堆积条形图

薪资越高离职率越低

# 合并这些图形在一个绘图区域，cols = 3的意思就是排版为一行三列

multiplot（bar_pro， bar_5years， bar_salary， cols = 3）

建模预测之回归树

############## =============== 提取优秀员工 =========== ###################

# filter（）用来筛选符合条件的样本

hr_model 《- filter（hr， last_evaluation 》= 0.70 | time_spend_company 》= 4

| number_project 》 5）

############### ============ 自定义交叉验证方法 ========== ##################

# 设置5折交叉验证 method = ‘cv’是设置交叉验证方法，number = 5意味着是5折交叉验证

train_control 《- trainControl（method = ‘cv’， number = 5）

################ =========== 分成抽样 ============== ##########################

set.seed（1234） # 设置随机种子，为了使每次抽样结果一致

# 根据数据的因变量进行7:3的分层抽样，返回行索引向量 p = 0.7就意味着按照7:3进行抽样，

# list=F即不返回列表，返回向量

index 《- createDataPartition（hr_model$left， p = 0.7， list = F）

traindata 《- hr_model［index， ］ # 提取数据中的index所对应行索引的数据作为训练集

testdata 《- hr_model［-index， ］ # 其余的作为测试集

##################### ============= 回归树 ============= #####################

# 使用caret包中的trian函数对训练集使用5折交叉的方法建立决策树模型

# left ~。的意思是根据因变量与所有自变量建模；trCintrol是控制使用那种方法进行建模

# methon就是设置使用哪种算法

rpartmodel 《- train（left ~ 。， data = traindata，

trControl = train_control， method = ‘rpart’）

# 利用rpartmodel模型对测试集进行预测，（［-7］的意思就是剔除测试集的因变量这一列）

pred_rpart 《- predict（rpartmodel， testdata［-7］）

# 建立混淆矩阵，positive=‘1’设定我们的正例为“1”

con_rpart 《- table（pred_rpart， testdata$left）

con_rpart

建模预测之朴素贝叶斯

################### ============ Naives Bayes =============== #################

nbmodel 《- train（left ~ 。， data = traindata，

trControl = train_control， method = ‘nb’）

pred_nb 《- predict（nbmodel， testdata［-7］）

con_nb 《- table（pred_nb， testdata$left）

con_nb

模型评估+应用

################### ================ ROC ==================== #################

# 使用roc函数时，预测的值必须是数值型

pred_rpart 《- as.numeric（as.character（pred_rpart））

pred_nb 《- as.numeric（as.character（pred_nb））

roc_rpart 《- roc（testdata$left， pred_rpart） # 获取后续画图时使用的信息

#假正例率：（1-Specififity［真反例率］）

Specificity 《- roc_rpart$specificities # 为后续的横纵坐标轴奠基，真反例率

Sensitivity 《- roc_rpart$sensitivities # 查全率 ： sensitivities，也是真正例率

# 绘制ROC曲线

#我们只需要横纵坐标 NULL是为了声明我们没有用任何数据

p_rpart 《- ggplot（data = NULL， aes（x = 1- Specificity， y = Sensitivity）） +

geom_line（colour = ‘red’） + # 绘制ROC曲线

geom_abline（） + # 绘制对角线

annotate（‘text’， x = 0.4， y = 0.5， label = paste（‘AUC=’， #text是声明图层上添加文本注释

#‘3’是round函数里面的参数，保留三位小数

round（roc_rpart$auc， 3））） + theme_bw（） + # 在图中（0.4，0.5）处添加AUC值

labs（x = ‘1 - Specificity’， y = ‘Sensitivities’） # 设置横纵坐标轴标签

p_rpart

回归树的ROC曲线

roc_nb 《- roc（testdata$left， pred_nb）

Specificity 《- roc_nb$specificities

Sensitivity 《- roc_nb$sensitivities

p_nb 《- ggplot（data = NULL， aes（x = 1- Specificity， y = Sensitivity）） +

geom_line（colour = ‘red’） + geom_abline（） +

annotate（‘text’， x = 0.4， y = 0.5， label = paste（‘AUC=’，

round（roc_nb$auc， 3））） + theme_bw（） +

labs（x = ‘1 - Specificity’， y = ‘Sensitivities’）

p_nb

朴素贝叶斯ROC曲线图

回归树的AUC值（0.93） 》 朴素贝叶斯的AUC值（0.839）

最终我们选择了回归树模型做为我们的实际预测模型

######################### ============= 应用 =============####################

# 使用回归树模型预测分类的概率，type=‘prob’设置预测结果为离职的概率和不离职的概率

pred_end 《- predict（rpartmodel， testdata［-7］， type = ‘prob’）

# 合并预测结果和预测概率结果

data_end 《- cbind（round（pred_end， 3）， pred_rpart）

# 为预测结果表重命名

names（data_end） 《- c（‘pred.0’， ‘pred.1’， ‘pred’）

# 生成一个交互式数据表

datatable（data_end）

最终我们会生成一个预测结果表