如何在人力資源分析中使用決策樹? 接下來一起看看吧!!!

　　什么是決策樹?

　　決策樹是一種產生非參數模型的監督機器學習算法。監督部分意味著決策樹是在自變量和因變量的值都已知的情況下構建的。非參數部分意味著決策樹模型不對基礎數據分布做出任何假設。

　　因此決策樹非常靈活。它們甚至可以開箱即用地用于分類(即分類結果)和回歸(即數字結果)目的。

　　如何在人力資源分析中使用決策樹?

　　決策樹是HR 分析工具箱的重要補充。他們可以輕松地在您的 HR 數據中找到并利用復雜的非線性效應，而且幾乎不需要分析師的參與。

　　決策樹在特定情況下特別有價值：

　　當您擁有高維數據(即許多變量)并且您不確定哪些具有預測潛力時。這里有幾個例子：

　　1.您已經調查了團隊氛圍的特征(工作壓力、領導風格、反饋、自主權等)，并對高員工流動率的相關性感到好奇。

　　2.你有很多關于員工職業歷史的數據點，并對職業發展(晉升)的相關性感到好奇。

　　3.您擁有有關員工工作經驗的詳細數據(例如，來自簡歷的文本數據)，并對與招聘決策相關的內容感到好奇。

　　4.當您的因變量不是正態分布時(例如，像工資或缺勤率這樣的傾斜數據)

　　5.或者當您期望非線性效應時，例如高階多項式或變量之間的相互作用和調節效應，例如：

　　6.您調查了團隊氛圍的特征(工作壓力、領導風格、反饋、自主權等)，并對您經歷高員工流動率的情況/組合感興趣。

　　7.您有許多關于員工職業歷史的數據點，并且對職業發展(晉升)最多的情況/組合感興趣。

　　8.您擁有有關員工工作經驗的詳細數據(例如，來自簡歷的文本數據)，并且對哪些經驗可以預測成功的招聘感到好奇。

　　9.您期望任期和銷售業績之間存在關系，但它不是線性的。您預計開始時表現不佳，第 2 年到第 5 年表現出色，然后緩慢下降。

　　它們允許靈活、輕松地發現復雜的模式。此外，輸出模型可以直觀地理解和解釋給其他人——甚至是非技術利益相關者。

　　雖然決策樹肯定有局限性，但我們認為 HR 領域可以從這些“機器學習”算法的更廣泛使用中獲益良多。