? ? ? ? ################### ============== 加載包 =================== #################

library（plyr） # Rmisc的關(guān)聯(lián)包，若同時(shí)需要加載dplyr包，必須先加載plyr包

library（dplyr） # filter（）

library（ggplot2） # ggplot（）

library（DT） # datatable（） 建立交互式數(shù)據(jù)表

library（caret） # createDataPartition（） 分層抽樣函數(shù)

library（rpart） # rpart（）

library（e1071） # naiveBayes（）

library（pROC） # roc（）

library（Rmisc） # multiplot（） 分割繪圖區(qū)域

################### ============= 導(dǎo)入數(shù)據(jù) ================== #################

hr 《- read.csv（“D:/R/天善智能/書豪十大案例/員工離職預(yù)測(cè)\HR_comma_sep.csv”）

str（hr） # 查看數(shù)據(jù)的基本數(shù)據(jù)結(jié)構(gòu)

描述性分析

################### ============= 描述性分析 ================== ###############

str（hr） # 查看數(shù)據(jù)的基本數(shù)據(jù)結(jié)構(gòu)

summary（hr） # 計(jì)算數(shù)據(jù)的主要描述統(tǒng)計(jì)量

# 后續(xù)的個(gè)別模型需要目標(biāo)變量必須為因子型，我們將其轉(zhuǎn)換為因子型

hr$left 《- factor（hr$left， levels = c（‘0’， ‘1’））

## 探索員工對(duì)公司滿意度、績效評(píng)估和月均工作時(shí)長與是否離職的關(guān)系

# 繪制對(duì)公司滿意度與是否離職的箱線圖

box_sat 《- ggplot（hr， aes（x = left， y = satisfaction_level， fill = left）） +

geom_boxplot（） +

theme_bw（） + # 一種ggplot的主題

labs（x = ‘left’， y = ‘satisfaction_level’） # 設(shè)置橫縱坐標(biāo)標(biāo)簽

box_sat

員工對(duì)公司滿意度與是否離職的箱線圖

離職員工對(duì)公司的滿意度較低，大多集中在0.4左右；

# 繪制績效評(píng)估與是否離職的箱線圖

box_eva 《- ggplot（hr， aes（x = left， y = last_evaluation， fill = left）） +

geom_boxplot（） +

theme_bw（） +

labs（x = ‘left’， y = ‘last_evaluation’）

box_eva

績效評(píng)估與是否離職的箱線圖

離職員工的績效評(píng)估較高，在0.8以上的較為集中；

# 繪制平均月工作時(shí)長與是否離職的箱線圖

box_mon 《- ggplot（hr， aes（x = left， y = average_montly_hours， fill = left）） +

geom_boxplot（） +

theme_bw（） +

labs（x = ‘left’， y = ‘a(chǎn)verage_montly_hours’）

box_mon

離職員工的平均月工作時(shí)長較高，一多半超過了平均水平（200小時(shí)）

# 繪制員工在公司工作年限與是否離職的箱線圖

box_time 《- ggplot（hr， aes（x = left， y = time_spend_company， fill = left）） +

geom_boxplot（） +

theme_bw（） +

labs（x = ‘left’， y = ‘time_spend_company’）

box_time

離職員工的工作年限在4年左右

# 合并這些圖形在一個(gè)繪圖區(qū)域，cols = 2的意思就是排版為一行二列

multiplot（box_sat， box_eva， box_mon， box_time， cols = 2）

## 探索參與項(xiàng)目個(gè)數(shù)、五年內(nèi)有沒有升職和薪資與離職的關(guān)系

# 繪制參與項(xiàng)目個(gè)數(shù)條形圖時(shí)需要把此變量轉(zhuǎn)換為因子型

hr$number_project 《- factor（hr$number_project，

levels = c（‘2’， ‘3’， ‘4’， ‘5’， ‘6’， ‘7’））

# 繪制參與項(xiàng)目個(gè)數(shù)與是否離職的百分比堆積條形圖

bar_pro 《- ggplot（hr， aes（x = number_project， fill = left）） +

geom_bar（position = ‘fill’） + # position = ‘fill’即繪制百分比堆積條形圖

theme_bw（） +

labs（x = ‘left’， y = ‘number_project’）

bar_pro

員工參與項(xiàng)目個(gè)數(shù)與是否離職的百分比堆積條形圖

參加項(xiàng)目數(shù)越多的員工離職率越大（去除項(xiàng)目數(shù)為2的樣本）

# 繪制5年內(nèi)是否升職與是否離職的百分比堆積條形圖

bar_5years 《- ggplot（hr， aes（x = as.factor（promotion_last_5years）， fill = left）） +

geom_bar（position = ‘fill’） +

theme_bw（） +

labs（x = ‘left’， y = ‘promotion_last_5years’）

bar_5years

5年內(nèi)是否升職與是否離職的百分比堆積條形圖

五年內(nèi)沒有升職的員工的離職率比較大

# 繪制薪資與是否離職的百分比堆積條形圖

bar_salary 《- ggplot（hr， aes（x = salary， fill = left）） +

geom_bar（position = ‘fill’） +

theme_bw（） +

labs（x = ‘left’， y = ‘salary’）

bar_salary

薪資與是否離職的百分比堆積條形圖

薪資越高離職率越低

# 合并這些圖形在一個(gè)繪圖區(qū)域，cols = 3的意思就是排版為一行三列

multiplot（bar_pro， bar_5years， bar_salary， cols = 3）

建模預(yù)測(cè)之回歸樹

############## =============== 提取優(yōu)秀員工 =========== ###################

# filter（）用來篩選符合條件的樣本

hr_model 《- filter（hr， last_evaluation 》= 0.70 | time_spend_company 》= 4

| number_project 》 5）

############### ============ 自定義交叉驗(yàn)證方法 ========== ##################

# 設(shè)置5折交叉驗(yàn)證 method = ‘cv’是設(shè)置交叉驗(yàn)證方法，number = 5意味著是5折交叉驗(yàn)證

train_control 《- trainControl（method = ‘cv’， number = 5）

################ =========== 分成抽樣 ============== ##########################

set.seed（1234） # 設(shè)置隨機(jī)種子，為了使每次抽樣結(jié)果一致

# 根據(jù)數(shù)據(jù)的因變量進(jìn)行7:3的分層抽樣，返回行索引向量 p = 0.7就意味著按照7:3進(jìn)行抽樣，

# list=F即不返回列表，返回向量

index 《- createDataPartition（hr_model$left， p = 0.7， list = F）

traindata 《- hr_model［index， ］ # 提取數(shù)據(jù)中的index所對(duì)應(yīng)行索引的數(shù)據(jù)作為訓(xùn)練集

testdata 《- hr_model［-index， ］ # 其余的作為測(cè)試集

##################### ============= 回歸樹 ============= #####################

# 使用caret包中的trian函數(shù)對(duì)訓(xùn)練集使用5折交叉的方法建立決策樹模型

# left ~。的意思是根據(jù)因變量與所有自變量建模；trCintrol是控制使用那種方法進(jìn)行建模

# methon就是設(shè)置使用哪種算法

rpartmodel 《- train（left ~ 。， data = traindata，

trControl = train_control， method = ‘rpart’）

# 利用rpartmodel模型對(duì)測(cè)試集進(jìn)行預(yù)測(cè)，（［-7］的意思就是剔除測(cè)試集的因變量這一列）

pred_rpart 《- predict（rpartmodel， testdata［-7］）

# 建立混淆矩陣，positive=‘1’設(shè)定我們的正例為“1”

con_rpart 《- table（pred_rpart， testdata$left）

con_rpart

建模預(yù)測(cè)之樸素貝葉斯

################### ============ Naives Bayes =============== #################

nbmodel 《- train（left ~ 。， data = traindata，

trControl = train_control， method = ‘nb’）

pred_nb 《- predict（nbmodel， testdata［-7］）

con_nb 《- table（pred_nb， testdata$left）

con_nb

模型評(píng)估+應(yīng)用

################### ================ ROC ==================== #################

# 使用roc函數(shù)時(shí)，預(yù)測(cè)的值必須是數(shù)值型

pred_rpart 《- as.numeric（as.character（pred_rpart））

pred_nb 《- as.numeric（as.character（pred_nb））

roc_rpart 《- roc（testdata$left， pred_rpart） # 獲取后續(xù)畫圖時(shí)使用的信息

#假正例率：（1-Specififity［真反例率］）

Specificity 《- roc_rpart$specificities # 為后續(xù)的橫縱坐標(biāo)軸奠基，真反例率

Sensitivity 《- roc_rpart$sensitivities # 查全率 ： sensitivities，也是真正例率

# 繪制ROC曲線

#我們只需要橫縱坐標(biāo) NULL是為了聲明我們沒有用任何數(shù)據(jù)

p_rpart 《- ggplot（data = NULL， aes（x = 1- Specificity， y = Sensitivity）） +

geom_line（colour = ‘red’） + # 繪制ROC曲線

geom_abline（） + # 繪制對(duì)角線

annotate（‘text’， x = 0.4， y = 0.5， label = paste（‘AUC=’， #text是聲明圖層上添加文本注釋

#‘3’是round函數(shù)里面的參數(shù)，保留三位小數(shù)

round（roc_rpart$auc， 3））） + theme_bw（） + # 在圖中（0.4，0.5）處添加AUC值

labs（x = ‘1 - Specificity’， y = ‘Sensitivities’） # 設(shè)置橫縱坐標(biāo)軸標(biāo)簽

p_rpart

回歸樹的ROC曲線

roc_nb 《- roc（testdata$left， pred_nb）

Specificity 《- roc_nb$specificities

Sensitivity 《- roc_nb$sensitivities

p_nb 《- ggplot（data = NULL， aes（x = 1- Specificity， y = Sensitivity）） +

geom_line（colour = ‘red’） + geom_abline（） +

annotate（‘text’， x = 0.4， y = 0.5， label = paste（‘AUC=’，

round（roc_nb$auc， 3））） + theme_bw（） +

labs（x = ‘1 - Specificity’， y = ‘Sensitivities’）

p_nb

樸素貝葉斯ROC曲線圖

回歸樹的AUC值（0.93） 》 樸素貝葉斯的AUC值（0.839）

最終我們選擇了回歸樹模型做為我們的實(shí)際預(yù)測(cè)模型

######################### ============= 應(yīng)用 =============####################

# 使用回歸樹模型預(yù)測(cè)分類的概率，type=‘prob’設(shè)置預(yù)測(cè)結(jié)果為離職的概率和不離職的概率

pred_end 《- predict（rpartmodel， testdata［-7］， type = ‘prob’）

# 合并預(yù)測(cè)結(jié)果和預(yù)測(cè)概率結(jié)果

data_end 《- cbind（round（pred_end， 3）， pred_rpart）

# 為預(yù)測(cè)結(jié)果表重命名

names（data_end） 《- c（‘pred.0’， ‘pred.1’， ‘pred’）

# 生成一個(gè)交互式數(shù)據(jù)表

datatable（data_end）

最終我們會(huì)生成一個(gè)預(yù)測(cè)結(jié)果表