Employee _Attrition _prediction

يهدف هذا المشروع إلى توقع احتمال ترك الموظفين للعمل (Employee Attrition Prediction) باستخدام تقنيات تحليل البيانات والتعلم الآلي. تعتمد الشركات على هذه التنبؤات لفهم أسباب استقالة الموظفين وتقليل معدل دوران الموظفين من خلال اتخاذ قرارات مبنية على البيانات.

الخطوات التي قمت بها:

استكشاف البيانات وتحليلها (EDA): دراسة العوامل المؤثرة في ترك الموظفين، مثل الراتب، عدد سنوات العمل، مستوى الرضا، الترقية، وغيرها.

تنظيف البيانات ومعالجة القيم المفقودة: ضمان جودة البيانات واستبعاد القيم الشاذة (Outliers).

تحويل البيانات إلى صيغة رقمية: استخدام One-Hot Encoding لتحويل المتغيرات الفئوية إلى أرقام.

اختيار الميزات المهمة: تحليل تأثير الميزات المختلفة على احتمال الاستقالة باستخدام Feature Selection.

تدريب النماذج: استخدام عدة نماذج مثل Logistic Regression, Random Forest, XGBoost, لتوقع الاستقالة.

تحسين أداء النموذج: ضبط Hyperparameters باستخدام GridSearch لزيادة دقة التوقعات.

تقييم الأداء: قياس كفاءة النماذج باستخدام Accuracy, Precision, Recall, F1-score

لتقنيات والأدوات المستخدمة:

Python, Pandas, NumPy, Seaborn, Matplotlib Scikit-learn

XGBoost, Random Forest, Logistic Regression

EDA & Data Visualization (Seaborn, Matplotlib)

Feature Engineering & Hyperparameter Tuning

النتيجة:حقق كلا من النموذجين RF,XGBoost دقة عالية في توقع احتمال استقالة الموظفين، مما يساعد الشركات على تحليل أسباب مغادرة الموظفين واتخاذ تدابير استباقية لتحسين بيئة العمل وتقليل معدل الدوران الوظيفي.