論文の概要: An Experimental Analysis of Work-Life Balance Among The Employees using Machine Learning Classifiers

• arxiv url: http://arxiv.org/abs/2105.07837v1
• Date: Wed, 28 Apr 2021 21:35:43 GMT
• ステータス: 処理完了
• システム内更新日: 2021-05-18 17:21:11.013954
• Title: An Experimental Analysis of Work-Life Balance Among The Employees using Machine Learning Classifiers
• Title（参考訳）: 機械学習分類器を用いた従業員のワークライフバランスの分析
• Authors: Karampudi Radha, Mekala Rohith
• Abstract要約: 我々はRandom Forest、SVM、Naive Bayesアルゴリズムでデータの80%をトレーニングしました。 テスト中、アルゴリズムは71.5%の精度でwlbを予測した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Researchers today have found out the importance of Artificial Intelligence, and Machine Learning in our daily lives, as well as they can be used to improve the quality of our lives as well as the cities and nations alike. An example of this is that it is currently speculated that ML can provide ways to relieve workers as it can predict effective working schedules and patterns which increase the efficiency of the workers. Ultimately this is leading to a Work-Life Balance for the workers. But how is this possible? It is practically possible with the Machine Learning algorithms to predict, calculate the factors affecting the feelings of the worker's work-life balance. In order to actually do this, a sizeable amount of 12,756 people's data has been taken under consideration. Upon analysing the data and calculating under various factors, we have found out the correlation of various factors and WLB(Work-Life Balance in short). There are some factors that have to be taken into serious consideration as they play a major role in WLB. We have trained 80% of our data with Random Forest Classifier, SVM and Naive Bayes algorithms. Upon testing, the algorithms predict the WLB with 71.5% as the best accuracy.
• Abstract（参考訳）: 今日の研究者たちは、私たちの日常生活における人工知能と機械学習の重要性と、私たちの生活と都市や国家の質を改善するために使用できることを発見した。 この例は、MLが労働者の効率を高める効果的な作業スケジュールやパターンを予測できるため、労働者を救済する方法を提供すると推測されている。 最終的に、これは労働者のワークライフバランスにつながる。 しかし、どのようにして可能か? 機械学習アルゴリズムでは、作業者のワークライフバランスの感情に影響する要因を予測し、計算することが可能である。 実際にこれを行うために、12,756人のデータの規模が検討されている。 様々な要因から分析し計算した結果,様々な要因とwlb(work-life balance in short)の相関が明らかになった。 WLBの主要な役割を担うため、真剣に考慮すべき要因がいくつかある。 私たちは、ランダムフォレスト分類器、svm、ナイーブベイズアルゴリズムでデータの80%をトレーニングしました。 テスト中、アルゴリズムは71.5%の精度でwlbを予測した。

関連論文リスト

• WorkArena++: Towards Compositional Planning and Reasoning-based Common Knowledge Work Tasks [85.95607119635102]
  大型言語モデル(LLM)は人間のような知性を模倣することができる。 WorkArena++は、Webエージェントの計画、問題解決、論理的/論理的推論、検索、コンテキスト的理解能力を評価するように設計されている。
  論文  参考訳（メタデータ） (2024-07-07T07:15:49Z)
• Employee Turnover Analysis Using Machine Learning Algorithms [0.0]
  機械学習技術は、従業員の転職リスクを監視し、軽減するために使用することができる。 3つの異なる教師付き学習アルゴリズムを使用して、従業員の属性の精度をベンチマークする。 達成されたモデルは、予測分析を確立するのに役立つ。
  論文  参考訳（メタデータ） (2024-02-06T11:17:16Z)
• A Study of Acquisition Functions for Medical Imaging Deep Active Learning [2.4654745083407175]
  データ不足の状況において,アクティブな学習がいかに効果的かを示す。 我々はISIC 2016データセットにおけるいくつかの選択基準(BALD, MeanSTD, MaxEntropy)を比較した。 その結果,メラノーマ検出には不確実性が有用であることが示唆された。
  論文  参考訳（メタデータ） (2024-01-28T18:09:02Z)
• Task-Aware Machine Unlearning and Its Application in Load Forecasting [4.00606516946677]
  本稿では、すでに訓練済みの予測器に対するデータセットの一部の影響を除去するために特別に設計された機械学習の概念を紹介する。 局所モデルパラメータ変化の感度を影響関数とサンプル再重み付けを用いて評価することにより,性能認識アルゴリズムを提案する。 リアルな負荷データセットを用いて,線形,CNN,Mixerベースの負荷予測器上で,未学習アルゴリズムを検証した。
  論文  参考訳（メタデータ） (2023-08-28T08:50:12Z)
• Making Pre-trained Language Models both Task-solvers and Self-calibrators [52.98858650625623]
  プレトレーニング言語モデル(PLM)は、様々な現実世界のシステムのバックボーンとして機能する。 以前の研究は、余分なキャリブレーションタスクを導入することでこの問題を緩和できることを示している。 課題に対処するためのトレーニングアルゴリズムLM-TOASTを提案する。
  論文  参考訳（メタデータ） (2023-07-21T02:51:41Z)
• Reinforcement Learning from Passive Data via Latent Intentions [86.4969514480008]
  我々は、下流RLを加速する機能を学ぶために、受動的データが引き続き使用できることを示す。 我々のアプローチは、意図をモデル化することで受動的データから学習する。 実験では、クロス・エボディメント・ビデオデータやYouTubeビデオなど、さまざまな形式の受動的データから学習できることを実証した。
  論文  参考訳（メタデータ） (2023-04-10T17:59:05Z)
• Neurochaos Feature Transformation and Classification for Imbalanced Learning [0.0]
  制限付きと不均衡なデータから学ぶことは、人工知能コミュニティでは難しい問題だ。 ヒト脳におけるカオス性神経細胞の発火に触発され、ニューロカオス学習(NL)と呼ばれる新しい学習アルゴリズムが最近提案された。 本稿では,ニューロカオスに基づく特徴変換と従来のMLアルゴリズムを用いた抽出のユニークな組み合わせを提案する。
  論文  参考訳（メタデータ） (2022-04-20T16:11:45Z)
• The Information Geometry of Unsupervised Reinforcement Learning [133.20816939521941]
  教師なしスキル発見(英語: Unsupervised skill discovery)とは、報酬関数にアクセスせずに一連のポリシーを学ぶアルゴリズムのクラスである。 教師なしのスキル発見アルゴリズムは、あらゆる報酬関数に最適なスキルを学習しないことを示す。
  論文  参考訳（メタデータ） (2021-10-06T13:08:36Z)
• Can Active Learning Preemptively Mitigate Fairness Issues? [66.84854430781097]
  データセットバイアスは、機械学習における不公平な原因の1つです。 不確実性に基づくALで訓練されたモデルが保護クラスの決定において公平であるかどうかを検討する。 また,勾配反転(GRAD)やBALDなどのアルゴリズム的公正性手法の相互作用についても検討する。
  論文  参考訳（メタデータ） (2021-04-14T14:20:22Z)
• Byzantine-Robust Learning on Heterogeneous Datasets via Bucketing [55.012801269326594]
  ビザンチンの堅牢な分散学習では、中央サーバは、複数のワーカーに分散したデータよりも、機械学習モデルを訓練したい。 これらの労働者のごく一部は、所定のアルゴリズムから逸脱し、任意のメッセージを送ることができる。 本稿では,既存のロバストなアルゴリズムを無視可能な計算コストでヘテロジニアスなデータセットに適応させる,シンプルなバケット方式を提案する。
  論文  参考訳（メタデータ） (2020-06-16T17:58:53Z)
• Predicting Skill Shortages in Labor Markets: A Machine Learning Approach [7.503338065129185]
  本研究は,作業スキル不足の予測に高性能な機械学習手法を実装した。 オーストラリアでは2012年から2018年にかけて、労働需給と労働需給の雇用データの両方のユニークなデータセットを収集した。 職業広告データと雇用統計は、職業のスキル不足の変化を予測する上で、最もパフォーマンスの高い機能セットであった。
  論文  参考訳（メタデータ） (2020-04-03T00:15:10Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。