10.3969/j.issn.2095-2163.2021.12.010
基于代价敏感加权支持向量机的员工离职分类预测
企业员工在职及离职数据集往往具有高度非均衡的特点,因此使用传统支持向量机(Support Vector Machine,SVM)分类算法来对非平衡的企业员工数据集进行分类并进行离职预测时,往往会导致分隔超平面向少数类偏移,分类准确率不佳等情况.为解决以上问题,本文首先通过SMOTE过采样方法有效地减少数据集的非均衡性,针对SMOTE方法导致的过拟合问题,本文还提出了改进的代价敏感加权算法来SVM优化算法.通过某大型外企公司企业员工数据集进行的实验证明,相对于SVM及SMOTE-SVM算法,本文提出的改进算法在G-mean和F-measure上分别达到了 99.08%和89.25%,分类准确度和性能都得到了较大提升,能有效地用于非均衡企业员工数据的分类及离职预测.
非平衡的企业员工数据集、代价敏感加权算法、SMOTE-SVM算法
11
TP393.4(计算技术、计算机技术)
国家自然科学基金62006039
2022-04-07(万方平台首次上网日期,不代表论文的发表时间)
共5页
43-46,53