IBM HR Analytics: Employee Attrition Prediction & Performance Analysis

Bu proje, IBM HR Analytics veri setini kullanarak çalışan devamsızlık tahmini ve performans faktörlerinin analizini içerir. Makine öğrenmesi modelleriyle %87 doğruluk elde edilmiştir.

📋 İçerikler

• Teknolojiler
• Veri Seti
• Analiz Süreci
• Önemli Bulgular
• Model Performansı

🛠️ Teknolojiler

• Python 3.8+
• Kütüphaneler:
  • Pandas, NumPy (Veri İşleme)
  • Matplotlib, Seaborn (Görselleştirme)
  • Scikit-learn (Random Forest, Gradient Boosting, Logistic Regression)
  • Imbalanced-learn (SMOTE)
• Veri Kaynağı: Kaggle IBM HR Dataset

📊 Veri Seti

• 1470 gözlem, 35 özellik
• Hedef Değişken: Attrition (Ayrılma Durumu)
• Temel Özellikler:
  • Age, Department, JobRole
  • MonthlyIncome, YearsAtCompany
• Eksik Veri Yok

🔍 Analiz Süreci

1. Veri Ön İşleme

   • Gereksiz sütunların çıkarılması
   • Kategorik değişken kodlaması (One-Hot Encoding)
   • Veri normalizasyonu (StandardScaler)

2. Keşifsel Veri Analizi ![Departmana Göre Ayrılma Oranları]

   • Satış departmanında ayrılma oranı: 20.6%
   • Yaş gruplarına göre dağılım analizi

3. Model Geliştirme

   • SMOTE ile veri dengelenmesi
   • GridSearchCV ile hiperparametre optimizasyonu
   • Çapraz doğrulama (5-fold)

📌 Önemli Bulgular

• En Etkili Faktörler:

  1. Aylık Gelir (MonthlyIncome)
  2. Yaş (Age)
  3. Toplam Çalışma Süresi (TotalWorkingYears)

• Çarpıcı İstatistikler:

  • 18-25 yaş grubunda ayrılma oranı: 30.4%
  • İş Tatmini Düşük çalışanlarda ayrılma: 3.2x daha fazla

🏆 Model Performansı

Model	Doğruluk	ROC-AUC	Hassasiyet (Ayrılanlar)
Random Forest	87.2%	0.93	72.1%
Gradient Boosting	85.6%	0.91	68.9%
Logistic Regression	82.3%	0.88	63.4%