入围不当的候选者和可能错过的候选者只是意味着与不正确的关键字相关联的不当简历。 这些天来，由于对文本分类的兴趣日益浓厚，对文件分类的研究越来越多，而文本分类已成为在线文本和文档的主要贡献者。 机器可以使用专家系统来处理人员对细节进行分类的重复任务，该专家系统可以正确捕获和识别文本，然后将其分类为已定义的不同类别。 在对数据进行预处理之后，对贝努利的朴素贝叶斯，多项朴素贝叶斯，随机森林，线性SVM和LSVM进行了比较分析，并在前30个具有不同参数的Job Listing数据集上进行了弹性惩罚分类，因此我们能够分析具有不同密度和科目的类中不同术语之间的依赖关系。 评估了准确性，并且LSVM根据提交的查询在对职称进行分类时提供了最佳准确性，并且能够对55000个样本实现96.25％的准确性。

基于职位描述的薪资预测 介绍 对于这个项目，我一直在根据工作概况预测薪水。 在任何行业中，我们都将提供职位描述以及要求的职位，具体取决于公司需要填补的职位类型，他们正在考虑选择任何优先专业的最低学位，他们正在寻找的经验以及距最近的大城市有多远的工作。 通过以上详细信息，我已经实现了对该职位的薪资估算。 这有助于雇主和雇员双方了解薪资范围并据此进行。 如果我们可以更好地预测，而不是采用行业的平均薪水，则可以帮助人力资源人员和管理人员提供一个不错的薪水范围。 数据采集 该项目使用的所有数据均来自kaggle竞赛。 收集的9个功能是：jobId，companyId，jobType，学位，专业，行业，yearsExperience，milesFromMetropolis和薪水。 在7个不同的行业中，有63家公司提供8种工作类型。 总共提取了1000000个薪水。 前处理 作为数据清理的一部分，我

职位评估工具：海氏-职位描述辞典（10页）

职位描述软件开发程序汇总.pdf

薪资预测 根据职位描述预测薪水 定义问题 职位的薪资和两者之间的差异取决于多种因素，包括技能，经验和职称本身。 在给定可用的数据集的情况下，我们希望估算工作薪资以了解推动薪资的关键特征，并部署模型解决方案来预测薪资以基于这些特征衡量合理的薪资。 方法 1.数据加载 'train_features'：每个工作ID的每个功能的训练数据集：工作名称，公司，学位，专业，行业，经验的年限以及与大都市的距离（英里）。 'train_salaries'：每个工作ID的薪水（目标变量）训练数据集 'test_features'：等效于功能训练集的测试数据集。 2.数据清理 除了查找每个数据集的数据类型和大小外，数据清理还涉及发现和处理丢失的数据，重复项，无效数据（例如，工资<= 0）和可疑的异常值。 较低的异常值是低于25个百分点的异常值-1.5 *四分位间距； 以及较高的离群值在75个百分位数-1.5