如何在人力资源分析中使用决策树?

　　如何在人力资源分析中使用决策树? 接下来一起看看吧!!!

　　什么是决策树?

　　决策树是一种产生非参数模型的监督机器学习算法。监督部分意味着决策树是在自变量和因变量的值都已知的情况下构建的。非参数部分意味着决策树模型不对基础数据分布做出任何假设。

　　因此决策树非常灵活。它们甚至可以开箱即用地用于分类(即分类结果)和回归(即数字结果)目的。

　　如何在人力资源分析中使用决策树?

　　决策树是HR 分析工具箱的重要补充。他们可以轻松地在您的 HR 数据中找到并利用复杂的非线性效应，而且几乎不需要分析师的参与。

　　决策树在特定情况下特别有价值：

　　当您拥有高维数据(即许多变量)并且您不确定哪些具有预测潜力时。这里有几个例子：

　　1.您已经调查了团队氛围的特征(工作压力、领导风格、反馈、自主权等)，并对高员工流动率的相关性感到好奇。

　　2.你有很多关于员工职业历史的数据点，并对职业发展(晋升)的相关性感到好奇。

　　3.您拥有有关员工工作经验的详细数据(例如，来自简历的文本数据)，并对与招聘决策相关的内容感到好奇。

　　4.当您的因变量不是正态分布时(例如，像工资或缺勤率这样的倾斜数据)

　　5.或者当您期望非线性效应时，例如高阶多项式或变量之间的相互作用和调节效应，例如：

　　6.您调查了团队氛围的特征(工作压力、领导风格、反馈、自主权等)，并对您经历高员工流动率的情况/组合感兴趣。

　　7.您有许多关于员工职业历史的数据点，并且对职业发展(晋升)最多的情况/组合感兴趣。

　　8.您拥有有关员工工作经验的详细数据(例如，来自简历的文本数据)，并且对哪些经验可以预测成功的招聘感到好奇。

　　9.您期望任期和销售业绩之间存在关系，但它不是线性的。您预计开始时表现不佳，第 2 年到第 5 年表现出色，然后缓慢下降。

　　它们允许灵活、轻松地发现复杂的模式。此外，输出模型可以直观地理解和解释给其他人——甚至是非技术利益相关者。

　　虽然决策树肯定有局限性，但我们认为 HR 领域可以从这些“机器学习”算法的更广泛使用中获益良多。