# 使用决策树和随机森林预测员工的离职率 python
帮助人事部门理解一个员工为何离职，预测一个员工离职的可能性。
## 画出决策树的特征的重要性 ##
importances = dtree.feature_importances_
# print(importances)
# print(np.argsort(importances)[::-1])
feat_names = df.drop(['turnover'],axis=1).columns
indices = np.argsort(importances)[::-1] # argsort()返回的是数据从小到大的索引值
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.cum
2024-04-29 13:29:17
253KB
1
决策树（Decision Tree）是一种在已知各种情况发生概率的基础上，通过构成决策树来求取净现值的期望值大于等于零的概率，评价项目风险，判断其可行性的决策分析方法。由于这种决策分支画成图形很像一棵树的枝干，因此得名决策树。在机器学习中，决策树是一个预测模型，代表的是对象属性与对象值之间的一种映射关系。
决策树的应用场景非常广泛，包括但不限于以下几个方面：
金融风险评估：决策树可以用于预测客户借款违约概率，帮助银行更好地管理风险。通过客户的历史数据构建决策树，可以根据客户的财务状况、征信记录、职业等信息来预测违约概率。
医疗诊断：医生可以通过病人的症状、体征、病史等信息构建决策树，根据不同的症状和体征来推断病情和诊断结果，从而帮助医生快速、准确地判断病情。
营销策略制定：企业可以通过客户的喜好、购买记录、行为偏好等信息构建决策树，根据不同的特征来推断客户需求和市场走势，从而制定更有效的营销策略。
网络安全：决策树可以用于网络安全领域，帮助企业防范网络攻击、识别网络威胁。通过网络流量、文件属性、用户行为等信息构建决策树，可以判断是否有异常行为和攻击威胁。
2024-04-29 13:18:26
108KB
1
员工离职调查
在这个项目中，我的目标是分析员工满意度。 我使用了两个从和获得的数据集。 我打开并清理了数据以进行分析。 在此过程中，我使用了Pandas和Numpy库。 我删除了空值，或者更改了它们的值以更有效地使用它。 另外，我对一些列进行了分类以使其易于理解。 我进行了探索性分析。 最后，我使用matplotlib可视化了我的结果。
结论
我创建了一个条形图，其中显示了不满意的员工工资率。 特别是，“安定下来”的员工不满意率最高。
2022-06-21 11:14:58
74KB
1