دانلود ترجمه مقاله پیش بینی تمایل به ترک شغل کارکنان با استفاده از یادگیری ماشین

1. مقدمه و انگیزه 2. روش تحقیق 3. مجموعه داده های منابع انسانی 4. طراحی آزمایش 5. نتایج و بحث و بررسی 6. نتیجه گیری

چکیده – روش های یادگیری ماشینی نظارت شده، برای پیش بینی تمایل به ترک شغل کارکنان، در یک سازمان، توصیف، تشریح و ارزیابی می شود. در این مطالعه، آزمایشات عددی، برای مجموعه داده های منابع انسانی حقیقی و شبیه سازی شده که نماینده سازمان هایی با جمعیت کارکنان کوچک، متوسط و بزرگ هستند، با استفاده از موارد زیر انجام می شود: (1) روش درخت تصمیم (2) روش جنگ تصادفی (3) روش درخت های افزایش گرادیان (5) روش رگرسیون لوجستیک (6) ماشین های بردار پشتیبان (7) شبکه های عصبی (8) تحلیل متمایز خطی (9) روش بیز ساده لوح (10) روش K-نزدیکترین همسایه. از طریق یک فرآیند ارزیابی جامع و مستحکم، عملکرد هر کدام از این روش های یادگیری ماشینی نظارت شده، با هدف پیش بینی تمایل به ترک شغل کارکنان، تحلیل شده و با استفاده از روش های آماری ارائه می گردد. علاوه بر آن، رهنمودهای قابل اتکا، درباره انتخاب، استفاده و تفسیر این روش ها، برای تحلیل مجموعه داده های منابع انسانی، با سایزها و پیچیدگی های مختلف فراهم آورده شده است.

Supervised machine learning methods are described, demonstrated and assessed for the prediction of employee turnover within an organization. In this study, numerical experiments for real and simulated human resources datasets representing organizations of small-, medium- and large-sized employee populations are performed using (1) a decision tree method; (2) a random forest method; (3) a gradient boosting trees method; (4) an extreme gradient boosting method; (5) a logistic regression method; (6) support vector machines; (7) neural networks; (8) linear discriminant analysis; (9) a Naïve Bayes method; and (10) a K-nearest neighbor method. Through a robust and comprehensive evaluation process, the performance of each of these supervised machine learning methods for predicting employee turnover is analyzed and established using statistical methods. Additionally, reliable guidelines are provided on the selection, use and interpretation of these methods for the analysis of human resources datasets of varying size and complexity.

بخشی از ترجمه مقاله (صفحه 21 فایل ورد ترجمه)