DTEmpower人力资源离职风险预测（分类预测）
背景
员工流失是企业人力资源管理中普遍面临的难题。当企业投入大量时间、资金培养的核心人才选择离职，组织需要重新承担招聘、培训、上手磨合等额外成本，且关键岗位的人员空缺可能直接影响业务连续性。因此，建立有效的员工流失预测模型，提前识别高风险员工并实施针对性干预，对于降低人员流失率、保障组织稳定具有重要价值。
本案例使用 IBM 员工流失数据集（HR Employee Attrition），具有满意度、项目数量、平均工时等特征。其中，是否已离职为预测目标，标记员工是否发生离职。
案例将通过 DTEmpower 的分类预测功能，完成从数据导入、特征工程到模型训练评估的全流程，构建员工流失预测模型，为人力资源决策提供数据支撑。
案例目标
通过本案例，您将了解如何在 DTEmpower 中完成员工离职分类预测建模的完整流程，包括：
- 了解如何在项目中导入员工信息数据，为后续模型训练准备数据基础；
- 学习如何使用智能数据处理功能对数据进行预处理，包括类别特征独热编码、数值特征归一化以及训练集与预测集划分；
- 学习如何使用分类预测功能，以“是否已离职”为目标列，使用自动机器学习模式训练员工离职预测模型；
- 了解如何查看模型评估结果，并通过特征重要性、ROC 曲线等信息判断模型效果；
- 了解如何将评估效果满足要求的模型进行部署；
- 学习如何使用已部署的模型对新的员工数据进行类别预测，辅助识别员工离职风险。
案例资源
开始操作前，可下载数据集或观看完整演示视频：
操作步骤
项目创建
在界面右上角点击【新建项目】按钮，弹出新建项目对话框，输入名称并点击【确定】。项目创建成功后，项目名称会显示在项目列表中。
人力资源离职风险分类预测：项目创建
数据导入
进入项目后，点击【导入数据】按钮，选择【上传】。
人力资源离职风险分类预测：数据导入
选择需要上传的数据文件，点击【打开】。
人力资源离职风险分类预测：数据导入
共有 10 列，是否已离职为预测目标，其余为输入特征。
人力资源离职风险分类预测：数据导入
可通过图表查看数据信息，「指标」中的「聚合」选择「计算非空值」，「维度」中「将其他分类合并」设置为「不启用」。可见数据中正负例比例为 1:1。
人力资源离职风险分类预测：数据导入
数据预处理
回到「流程」，点击导入的数据，选择右侧的【智能数据处理】。
人力资源离职风险分类预测：数据预处理
创建输出数据集，点击【确认】。
人力资源离职风险分类预测：数据预处理
数据中部分特征为类别类型，需要进行特征工程。将类别型数据转换为数值型数据，便于模型训练。在对话框发送”对除了是否已离职外的类别型数据进行独热编码，每个类别都作为独立列，用1表示该类别，0表示非该类别”。
人力资源离职风险分类预测：数据预处理
为简化模型训练，进行归一化处理，在对话框发送”对数值型数据进行归一化处理“。
人力资源离职风险分类预测：数据预处理
在「脚本」中可以查看生成的脚本，点击【运行】执行脚本。
人力资源离职风险分类预测：数据预处理
将处理后的数据分为训练集和预测集。再点击【智能数据处理】。
人力资源离职风险分类预测：数据预处理
在输出数据集中，新增两个数据集，分别为训练集和预测集。点击【确认】。
人力资源离职风险分类预测：数据预处理
在对话框发送“将数据随机按90%和10%分为训练集和预测集”。
人力资源离职风险分类预测：数据预处理
运行生成的脚本。
人力资源离职风险分类预测：数据预处理
模型训练
回到「流程」，点击处理后的训练数据集，选择右侧的【分类预测】。
人力资源离职风险分类预测：模型训练
目标列名选择是否已离职。「自动机器学习」模式下，平台可根据所选模式自动完成算法筛选与参数配置，更适合初学者。「专家模式」则更适合已有经验的用户，可自行选择算法和参数。此处数据结构较为清晰，为加快训练速度，在「自动机器学习」中，选择「快速模式」，点击【确认】。
人力资源离职风险分类预测：模型训练
「自动机器学习」将自动选择最优的模型和参数，一般无需再手动调整，直接点击【训练】。
人力资源离职风险分类预测：模型训练
输入任务名称，进行【训练】。
人力资源离职风险分类预测：模型训练
模型评估
模型训练完成后，点击【查看详情】。
人力资源离职风险分类预测：模型评估
特征重要性排序展示了各特征对离职预测的影响程度。
人力资源离职风险分类预测：模型评估
ROC曲线展示了模型在不同阈值下的预测能力，帮助评估模型的分类性能。AUC值为0.99，说明模型具有较高的准确率。
人力资源离职风险分类预测：模型评估
混淆矩阵展示了模型的分类预测结果。从图中可以看出，模型具有较高的准确率。
人力资源离职风险分类预测：模型评估
模型部署
点击右上角的【部署】按钮，将模型部署到生产环境中。
人力资源离职风险分类预测：模型部署
模型预测
回到「流程」，点击部署的模型，选择右侧的【预测】。
人力资源离职风险分类预测：模型预测
选择预测数据集，点击【确认】。
人力资源离职风险分类预测：模型预测
点击【运行】按钮，开始预测。
人力资源离职风险分类预测：模型预测
在画布中可以查看预测结果。
人力资源离职风险分类预测：模型预测
人力资源离职风险分类预测：模型预测
案例总结
员工离职会增加招聘、培训和岗位交接成本，并可能影响团队稳定与业务连续性。利用员工基本信息、工作情况、薪酬福利和满意度等历史数据建立分类模型，有助于分析人员流失风险，为人才保留和人力资源配置提供数据支持。
本案例使用 DTEmpower 对 IBM 员工流失数据进行处理和建模，以是否离职为预测目标，实现对员工离职风险的辅助识别，展示了人力资源数据从分析到部署预测的应用过程。