Fugu-MT 論文翻訳(概要): Employee Turnover Analysis Using Machine Learning Algorithms

論文の概要: Employee Turnover Analysis Using Machine Learning Algorithms

arxiv url: http://arxiv.org/abs/2402.03905v1
Date: Tue, 6 Feb 2024 11:17:16 GMT
ステータス: 処理完了
システム内更新日: 2024-02-07 15:20:16.158804
Title: Employee Turnover Analysis Using Machine Learning Algorithms
Title（参考訳）: 機械学習アルゴリズムを用いた従業員ターンオーバー分析
Authors: Mahyar Karimi, Kamyar Seyedkazem Viliyani
Abstract要約: 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。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Employee's knowledge is an organization asset. Turnover may impose apparent and hidden costs and irreparable damages. To overcome and mitigate this risk, employee's condition should be monitored. Due to high complexity of analyzing well-being features, employee's turnover predicting can be delegated to machine learning techniques. In this paper, we discuss employee's attrition rate. Three different supervised learning algorithms comprising AdaBoost, SVM and RandomForest are used to benchmark employee attrition accuracy. Attained models can help out at establishing predictive analytics.
Abstract（参考訳）: 従業員の知識は組織資産である。ターンオーバーは明らかで隠れたコストと不可分な損害を課す可能性がある。このリスクを克服し緩和するには、従業員の状態を監視する必要がある。幸福機能の解析が複雑であるため、従業員の離職予測は機械学習技術に委譲することができる。本稿では,従業員の減少率について論じる。 AdaBoost、SVM、RandomForestの3つの異なる教師付き学習アルゴリズムは、従業員の属性の精度をベンチマークするために使用される。到達したモデルは予測分析を確立するのに役立ちます。

関連論文リスト

Robust personnel rostering: how accurate should absenteeism predictions be? [2.265037251840661]
欠勤による人事異動は、従業員の労働時間に対する最後の数分の調整を必要とすることが多い。このような変化の影響を緩和するための一般的な戦略は、従業員にリザーブシフトを割り当てることである。我々は、機械学習モデルからの欠如予測を用いて、適切な数のリザーブシフトをスケジュールする予測を最適化するアプローチを仮定する。
論文参考訳（メタデータ） (2024-06-26T07:16:18Z)
Comprehensive Study Of Predictive Maintenance In Industries Using Classification Models And LSTM Model [0.0]
この研究は、SVM(Support Vector Machine)、ランダムフォレスト(Random Forest)、ロジスティック回帰(Logistic Regression)、畳み込みニューラルネットワークLSTMベース(Convolutional Neural Network LSTM-based)など、さまざまな機械学習分類手法を掘り下げて、マシンのパフォーマンスを予測し分析することを目的としている。本研究の主な目的は、精度、精度、リコール、F1スコアなどの要因を考慮して、これらのアルゴリズムの性能を評価し、機械性能を予測・解析することである。
論文参考訳（メタデータ） (2024-03-15T12:47:45Z)
Retention Is All You Need [9.570332155350055]
本稿では,人的資源(HR)意思決定支援システムであるHR-DSS手法を提案する。このシステムは、機械学習モデルによって提供される予測を解釈するHR部門を支援するように設計されている。
論文参考訳（メタデータ） (2023-04-06T14:29:20Z)
Denoised MDPs: Learning World Models Better Than the World Itself [94.74665254213588]
本研究は,野生の情報を制御可能性と報酬との関係に基づく4つのタイプに分類し,制御性および報酬関連性の両方に有用な情報を定式化する。 DeepMind Control Suite と RoboDesk の変種に関する実験では、生の観測のみを用いた場合よりも、認知された世界モデルの優れた性能が示されている。
論文参考訳（メタデータ） (2022-06-30T17:59:49Z)
Explainable Predictive Process Monitoring: A User Evaluation [62.41400549499849]
説明責任は、ブラックボックス機械学習アプローチの透明性の欠如によって動機付けられている。予測プロセスモニタリングのための説明手法のユーザ評価を行う。
論文参考訳（メタデータ） (2022-02-15T22:24:21Z)
Integration of a machine learning model into a decision support tool to predict absenteeism at work of prospective employees [0.0]
失業による生産性の低下は、アメリカの雇用主が毎年何十億ドルもの損失を被った。本研究は、潜在的な従業員の不在を予測するための意思決定支援ツールを開発することを目的とする。
論文参考訳（メタデータ） (2022-02-02T03:49:01Z)
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)
MURAL: Meta-Learning Uncertainty-Aware Rewards for Outcome-Driven Reinforcement Learning [65.52675802289775]
本研究では,不確かさを意識した分類器が,強化学習の難しさを解消できることを示す。正規化最大度(NML)分布の計算法を提案する。得られたアルゴリズムは、カウントベースの探索法と、報酬関数を学習するための先行アルゴリズムの両方に多くの興味深い関係を持つことを示す。
論文参考訳（メタデータ） (2021-07-15T08:19:57Z)
Exploring Memorization in Adversarial Training [58.38336773082818]
本稿では, 能力, 収束, 一般化, 特に強靭なオーバーフィッティングの深い理解を促進するための, 対人訓練(AT)における記憶効果について検討する。本稿では,詳細な記憶分析を動機とした新たな緩和アルゴリズムを提案する。
論文参考訳（メタデータ） (2021-06-03T05:39:57Z)
Anomaly Detection in Video via Self-Supervised and Multi-Task Learning [113.81927544121625]
ビデオにおける異常検出は、コンピュータビジョンの問題である。本稿では,オブジェクトレベルでの自己教師型およびマルチタスク学習を通じて,ビデオ中の異常事象検出にアプローチする。
論文参考訳（メタデータ） (2020-11-15T10:21:28Z)
Do you comply with AI? -- Personalized explanations of learning algorithms and their impact on employees' compliance behavior [0.11470070927586014]
AI説明のパーソナライズは、コンプライアンスや従って従業員タスクのパフォーマンスに影響を与えるための手段であるかもしれない。予備的な結果は、産業環境におけるパーソナライズされた説明の重要性をすでに示している。
論文参考訳（メタデータ） (2020-02-20T14:55:20Z)

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。