2019年,互联网寒冬真的来了吗?我们用决策树来做一个员工离职率的预测分析。


640?wx_fmt=jpeg&tp=webp&wxfrom=5&wx_lazy=1&wx_co=1

640?wx_fmt=jpeg&tp=webp&wxfrom=5&wx_lazy=1&wx_co=1

sklearn 中的决策树


决策树的应用场景是非常广泛的,在各行各业都有应用,并且有非常良好的表现。金融行业的风险贷款评估,医疗行业的疾病诊断,电商行业的销售预测等等。

首先我们先来了解下如何在 sklearn 中使用决策树模型。在 sklearn 中,可以使用如下方式来构建决策树分类器。



from sklearn.tree import DecisionTreeClassifierclf = DecisionTreeClassifier(criterion='entropy')

其中的 criterion 参数,就是决策树算法,可以选择 entropy,就是基于信息熵;而 gini,就是基于基尼系数。


构建决策树的一些重要参数,整理如下:
640?wx_fmt=png&tp=webp&wxfrom=5&wx_lazy=1&wx_co=1

640?wx_fmt=jpeg&tp=webp&wxfrom=5&wx_lazy=1&wx_co=1

员工离职率预测
现在开始员工离职率的预测分析实战,相关数据集可以在这里下载
https://github.com/zhouwei713/DataAnalyse/tree/master/Decision_tree


— 数据预处理 —


导入数据并查看是否存在缺失值






















import pandas as pdimport numpy as npimport matplotlib.pyplot as pltimport matplotlib as matplotimport seaborn as sns
df = pd.read_csv('HR.csv', index_col=None)# 检测是否有缺失数据df.isnull().any()>>>satisfaction_level       Falselast_evaluation          Falsenumber_project           Falseaverage_montly_hours     Falsetime_spend_company       FalseWork_accident            Falseleft                     Falsepromotion_last_5years    Falsesales                    Falsesalary                   Falsedtype: bool
数据很完整,没有缺失值


查看数据

df.head()


640?wx_fmt=png&tp=webp&wxfrom=5&wx_lazy=1&wx_co=1











satisfaction_level:员工对公司满意度last_evaluation:上一次公司对员工的评价number_project:该员工同时负责多少项目average_montly_hours:每个月工作的时长time_spend_company:在公司工作多久Work_accident:是否有个工作事故left:是否离开公司(1表示离职)promotion_last_5years:过去5年是否又被升职sales:部门salary:工资水平

— 数据分析 —


查看数据形状

print(df.shape)>>>(14999, 10)
共有14999条数据,每条数据10个特征。不过需要把 left 作为标签,实际为9个特征。


查看离职率

turnover_rate = df.left.value_counts() / len(df)print(turnover_rate)>>>0    0.7619171    0.238083Name: left, dtype: float64
离职率为0.24


分组统计

turnover_Summary = df.groupby('left')print(turnover_Summary.mean())

640?wx_fmt=png&tp=webp&wxfrom=5&wx_lazy=1&wx_co=1


— 相关性分析 —


我们可以通过热力图,来了解下哪些特征的影响最大,哪些特征之间的相关性又是最强的。

corr = df.corr()sns.heatmap(corr,            xticklabels=corr.columns.values,            yticklabels=corr.columns.values)


640?wx_fmt=png&tp=webp&wxfrom=5&wx_lazy=1&wx_co=1


两个特征的交叉处,颜色越浅,说明相关性越大。


— 数据集字符串转换成数字 —


将数据集中的字符串数据转换成数字类型数据

print(df.dtypes)>>>satisfaction_level       float64last_evaluation          float64number_project             int64average_montly_hours       int64time_spend_company         int64Work_accident              int64left                       int64promotion_last_5years      int64sales                     objectsalary                    objectdtype: object
sales 和 salary 两个特征需要转换


这里要介绍一个 Pandas 超级强大的功能,accessor。该方法可以返回属性,让我们知道某个数据有哪些属性可以使用

import pandas as pdpd.Series._accessors>>>{'cat', 'dt', 'sparse', 'str'}

可以看到,对于 series 类型数据,有如下四个属性可用。
cat:用于分类数据(Categorical data)
str:用于字符数据(String Object data)
dt:用于时间数据(datetime-like data)
sparse:用于系数矩阵













test = pd.Series(['str1', 'str2', 'str3'])print(test.str.upper())print(dir(test.str))>>>0    STR11    STR22    STR3dtype: object[...'_get_series_list', '_inferred_dtype', '_is_categorical', '_make_accessor', '_orig', '_parent', '_validate', '_wrap_result', 'capitalize', 'casefold', 'cat', 'center', 'contains', 'count', 'decode', 'encode', 'endswith', 'extract', 'extractall', 'find', 'findall', 'get', 'get_dummies', 'index'...]

现在我们要做的是把字符串转换成数字,所以可用使用 cat 这个属性,因为对于 sales 和 salary 两个特征,它们都是类别类型的数据,比如 sales 的 support,product_mng 和 salary 的 low,medium 等。
而 cat 属性的使用,是需要和数据类型 Category 相配合的,故我们需要先将上面两列的数据类型做下转换






df["sales"] = df["sales"].astype('category')df["salary"] = df["salary"].astype('category')然后再使用 cat.codes 来实现对整数的映射df["sales"] = df["sales"].cat.codesdf["salary"] = df["salary"].cat.codes

640?wx_fmt=png&tp=webp&wxfrom=5&wx_lazy=1&wx_co=1


— 模型训练 —


划分标签和特征






target_name = 'left'X = df.drop('left', axis=1)y = df[target_name]划分训练集和测试集X_train, X_test, y_train, y_test = train_test_split(X,y,test_size=0.15, random_state=123, stratify=y)
stratify 参数的作用是在训练集和测试集中,不同标签(离职与非离职)所占比例相同,即原数据集中比例是多少,训练集和测试集中比例也为多少。


模型训练和预测













from sklearn.metrics impor×××core
clf = DecisionTreeClassifier(    criterion='entropy',    min_weight_fraction_leaf=0.01    )clf = clf.fit(X_train,y_train)cl×××core(y_test, clf.predict(X_test))print ("决策树 AUC = %2.2f" % clf_roc_auc)>>> ---决策树---决策树 AUC = 0.93
这里使用××× 来检查分类器的准确率,我们来看看它们的含义。


— ROC —


ROC(Receiver Operating Characteristic)曲线,用来评价二值分类器的优劣。ROC 曲线下的面积,表示模型准确率,用 AUC 来表示。
ROC 曲线有个很好的特性:当测试集中的正负样本的分布变化的时×××持不变。在实际的数据集中经常会出现类不平衡(class imbalance)现象,即负样本比正样本多很多(或者相反),而且测试数据中的正负样本的分布也可能随着时间变化。
ROC 曲线
















from sklearn.metrics import roc_curveclf_fpr, clf_tpr, clf_thresholds ×××(y_test, clf.predict_proba(X_test)[:,1])
plt.figure()
# 决策树 ROCplt.plot(clf_fpr, clf_tpr, label='Decision Tree (area = %0.2f)' % clf_roc_auc)
plt.xlim([0.0, 1.0])plt.ylim([0.0, 1.05])plt.xlabel('False Positive Rate')plt.ylabel('True Positive Rate')plt.title('ROC Graph')plt.legend(loc="lower right")plt.show()

640?wx_fmt=png&tp=webp&wxfrom=5&wx_lazy=1&wx_co=1
图中的曲线,越接近左上,说明模型准确率越高,也即是曲线下面的面积越大。

— 决策树应用 —


在构建好决策树之后,我们可以通过决策树来分析出不同特征的重要性,进而帮助做出决定。
在当前员工离职率分析的例子中,我们可以分析出哪几个特征是对员工离职起到觉得性作用的,那么公司就可以对想要留下的员工重点提高对应的特征。













importances = clf.feature_importances_feat_names = df.drop(['left'],axis=1).columns

indices = np.argsort(importances)[::-1]plt.figure(figsize=(12,6))plt.title("Feature importances by Decision Tree")plt.bar(range(len(indices)), importances[indices], color='lightblue',  align="center")plt.step(range(len(indices)), np.cumsum(importances[indices]), where='mid', label='Cumulative')plt.xticks(range(len(indices)), feat_names[indices], rotation='vertical',fontsize=14)plt.xlim([-1, len(indices)])plt.show()

640?wx_fmt=png&tp=webp&wxfrom=5&wx_lazy=1&wx_co=1
这图中可以非常直观的看出,satisfaction_level 起到了最大的作用,大概占到了0.5左右,其次就是 time_spend_company 和 last_evaluation。
那么这些影响是正相关还是负相关呢,就可以结合上面的热力图来分析比如对于 satisfaction_level,从热力图中可以看到他与 left 是负相关的,所以我们就可以得出结论:满意度越高,越不容易离职。实际上,在真实生活中也是这样的,对吧。
最后再来看下那条折线,它的意思是说,每一个拐折的地方,都是前面特征影响度之和,比如图中红框的地方,就是前两个特征加一起对于离职的影响度,大概占到了0.7左右。
640?wx_fmt=png&tp=webp&wxfrom=5&wx_lazy=1&wx_co=1
而前五个特征,基本已经占到了1,所以其他特征的影响几乎可以忽略不计了。