Walidacja wyników regresji logistycznej

HR Analytics: Przewidywanie rotacji pracowników w R

Anurag Gupta

People Analytics Practitioner

Rozkład prawdopodobieństwa odejść dla zbioru testowego

Przekształcanie prawdopodobieństw w kategorie za pomocą progu

# Classify predictions using a cut-off of 0.5
pred_cutoff_50_test <- ifelse(predictions_test > 0.5, 1, 0)

Czym jest macierz pomyłek?

Macierz pomyłek mierzy skuteczność modelu klasyfikacji.

Tworzenie macierzy pomyłek

## Creating confusion matrix
table(pred_cutoff_50_test, test_set$turnover)

prediction_categories   0   1
                    0 450  22
                    1  20  94

Interpretacja macierzy pomyłek

Prawdziwie negatywne (TN): model poprawnie zidentyfikował aktywnych pracowników
Prawdziwie pozytywne (TP): model poprawnie zidentyfikował nieaktywnych pracowników
Fałszywie pozytywne (FP): model przewidział pracowników jako nieaktywnych, choć są aktywni
Fałszywie negatywne (FN): model przewidział pracowników jako aktywnych, choć są nieaktywni

Macierz pomyłek: dokładność

$$ \text{Accuracy} = \frac{\text{ TP + TN }}{\text{ TP + TN + FP + FN }} $$

$$ \text{Accuracy} = \frac{\text{ 450 + 94 }}{\text{ 450 + 94 + 22 + 20}} $$

$$ = $$

$$ \text{0.9283} $$

Tworzenie macierzy pomyłek

# Load library
library(caret)

# Construct a confusion matrix
conf_matrix_50 <- confusionMatrix(table(test_set$turnover, 
                                        pred_cutoff_50_test))

conf_matrix_50

Confusion Matrix and Statistics

prediction_categories   0   1
                    0 450  22
                    1  20  94

               Accuracy : 0.9283          
                 95% CI : (0.9044, 0.9479)
    No Information Rate : 0.802           
    P-Value [Acc > NIR] : <2e-16                                        
                  Kappa : 0.7728          
 Mcnemar's Test P-Value : 0.8774                                       
            Sensitivity : 0.9574          
            Specificity : 0.8103          
         Pos Pred Value : 0.9534          
         Neg Pred Value : 0.8246          
             ...

Zasoby dotyczące zaawansowanych metod

Czas na ćwiczenia!

HR Analytics: Przewidywanie rotacji pracowników w R