################### ============== 加载包 =================== #################
library（plyr） # Rmisc的关联包，若同时需要加载dplyr包，必须先加载plyr包
library（dplyr） # filter（）
library（ggplot2） # ggplot（）
library（DT） # datatable（） 建立交互式数据表
library（caret） # createDataParTITIon（） 分层抽样函数
library（rpart） # rpart（）
library（e1071） # naiveBayes（）
library（pROC） # roc（）
library（Rmisc） # mulTIplot（） 分割绘图区域
################### ============= 导入数据 ================== #################
hr 《- read。csv（“D:/R/天善智能/书豪十大案例/员工离职预测\\HR_comma_sep。csv”）
str（hr） # 查看数据的基本数据结构
描述性分析
################### ============= 描述性分析 ================== ###############
str（hr） # 查看数据的基本数据结构
summary（hr） # 计算数据的主要描述统计量
# 后续的个别模型需要目标变量必须为因子型，我们将其转换为因子型
hr$left 《- factor（hr$left， levels = c（‘0’， ‘1’））
## 探索员工对公司满意度、绩效评估和月均工作时长与是否离职的关系
# 绘制对公司满意度与是否离职的箱线图
box_sat 《- ggplot（hr， aes（x = left， y = saTIsfaction_level， fill = left）） +
geom_boxplot（） +
theme_bw（） + # 一种ggplot的主题
labs（x = ‘left’， y = ‘satisfaction_level’） # 设置横纵坐标标签
box_sat
员工对公司满意度与是否离职的箱线图
离职员工对公司的满意度较低，大多集中在0.4左右；
# 绘制绩效评估与是否离职的箱线图
box_eva 《- ggplot（hr， aes（x = left， y = last_evaluation， fill = left）） +
geom_boxplot（） +
theme_bw（） +
labs（x = ‘left’， y = ‘last_evaluation’）
box_eva
绩效评估与是否离职的箱线图
离职员工的绩效评估较高，在0.8以上的较为集中；
# 绘制平均月工作时长与是否离职的箱线图
box_mon 《- ggplot（hr， aes（x = left， y = average_montly_hours， fill = left）） +
geom_boxplot（） +
theme_bw（） +
labs（x = ‘left’， y = ‘average_montly_hours’）
box_mon
离职员工的平均月工作时长较高，一多半超过了平均水平（200小时）
# 绘制员工在公司工作年限与是否离职的箱线图
box_time 《- ggplot（hr， aes（x = left， y = time_spend_company， fill = left）） +
geom_boxplot（） +
theme_bw（） +
labs（x = ‘left’， y = ‘time_spend_company’）
box_time
离职员工的工作年限在4年左右
# 合并这些图形在一个绘图区域，cols = 2的意思就是排版为一行二列
multiplot（box_sat， box_eva， box_mon， box_time， cols = 2）
## 探索参与项目个数、五年内有没有升职和薪资与离职的关系
# 绘制参与项目个数条形图时需要把此变量转换为因子型
hr$number_project 《- factor（hr$number_project，
levels = c（‘2’， ‘3’， ‘4’， ‘5’， ‘6’， ‘7’））
# 绘制参与项目个数与是否离职的百分比堆积条形图
bar_pro 《- ggplot（hr， aes（x = number_project， fill = left）） +
geom_bar（position = ‘fill’） + # position = ‘fill’即绘制百分比堆积条形图
theme_bw（） +
labs（x = ‘left’， y = ‘number_project’）
bar_pro
员工参与项目个数与是否离职的百分比堆积条形图
参加项目数越多的员工离职率越大（去除项目数为2的样本）
# 绘制5年内是否升职与是否离职的百分比堆积条形图
bar_5years 《- ggplot（hr， aes（x = as.factor（promotion_last_5years）， fill = left）） +
geom_bar（position = ‘fill’） +
theme_bw（） +
labs（x = ‘left’， y = ‘promotion_last_5years’）
bar_5years
5年内是否升职与是否离职的百分比堆积条形图
五年内没有升职的员工的离职率比较大
# 绘制薪资与是否离职的百分比堆积条形图
bar_salary 《- ggplot（hr， aes（x = salary， fill = left）） +
geom_bar（position = ‘fill’） +
theme_bw（） +
labs（x = ‘left’， y = ‘salary’）
bar_salary
薪资与是否离职的百分比堆积条形图
薪资越高离职率越低
# 合并这些图形在一个绘图区域，cols = 3的意思就是排版为一行三列
multiplot（bar_pro， bar_5years， bar_salary， cols = 3）
建模预测之回归树
############## =============== 提取优秀员工 =========== ###################
# filter（）用来筛选符合条件的样本
hr_model 《- filter（hr， last_evaluation 》= 0.70 | time_spend_company 》= 4
| number_project 》 5）
############### ============ 自定义交叉验证方法 ========== ##################
# 设置5折交叉验证 method = ‘cv’是设置交叉验证方法，number = 5意味着是5折交叉验证
train_control 《- trainControl（method = ‘cv’， number = 5）
################ =========== 分成抽样 ============== ##########################
set.seed（1234） # 设置随机种子，为了使每次抽样结果一致
# 根据数据的因变量进行7:3的分层抽样，返回行索引向量 p = 0.7就意味着按照7:3进行抽样，
# list=F即不返回列表，返回向量
index 《- createDataPartition（hr_model$left， p = 0.7， list = F）
traindata 《- hr_model［index， ］ # 提取数据中的index所对应行索引的数据作为训练集
testdata 《- hr_model［-index， ］ # 其余的作为测试集
##################### ============= 回归树 ============= #####################
# 使用caret包中的trian函数对训练集使用5折交叉的方法建立决策树模型
# left ~。的意思是根据因变量与所有自变量建模；trCintrol是控制使用那种方法进行建模
# methon就是设置使用哪种算法
rpartmodel 《- train（left ~ 。， data = traindata，
trControl = train_control， method = ‘rpart’）
# 利用rpartmodel模型对测试集进行预测，（［-7］的意思就是剔除测试集的因变量这一列）
pred_rpart 《- predict（rpartmodel， testdata［-7］）
# 建立混淆矩阵，positive=‘1’设定我们的正例为“1”
con_rpart 《- table（pred_rpart， testdata$left）
con_rpart
建模预测之朴素贝叶斯
################### ============ Naives Bayes =============== #################
nbmodel 《- train（left ~ 。， data = traindata，
trControl = train_control， method = ‘nb’）
pred_nb 《- predict（nbmodel， testdata［-7］）
con_nb 《- table（pred_nb， testdata$left）
con_nb
模型评估+应用
################### ================ ROC ==================== #################
# 使用roc函数时，预测的值必须是数值型
pred_rpart 《- as。numeric（as。character（pred_rpart））
pred_nb 《- as。numeric（as。character（pred_nb））
roc_rpart 《- roc（testdata$left， pred_rpart） # 获取后续画图时使用的信息
#假正例率：（1-Specififity［真反例率］）
Specificity 《- roc_rpart$specificities # 为后续的横纵坐标轴奠基，真反例率
Sensitivity 《- roc_rpart$sensitivities # 查全率 ： sensitivities，也是真正例率
# 绘制ROC曲线
#我们只需要横纵坐标 NULL是为了声明我们没有用任何数据
p_rpart 《- ggplot（data = NULL， aes（x = 1- Specificity， y = Sensitivity）） +
geom_line（colour = ‘red’） + # 绘制ROC曲线
geom_abline（） + # 绘制对角线
annotate（‘text’， x = 0.4， y = 0.5， label = paste（‘AUC=’， #text是声明图层上添加文本注释
#‘3’是round函数里面的参数，保留三位小数
round（roc_rpart$auc， 3））） + theme_bw（） + # 在图中（0.4，0.5）处添加AUC值
labs（x = ‘1 - Specificity’， y = ‘Sensitivities’） # 设置横纵坐标轴标签
p_rpart
回归树的ROC曲线
roc_nb 《- roc（testdata$left， pred_nb）
Specificity 《- roc_nb$specificities
Sensitivity 《- roc_nb$sensitivities
p_nb 《- ggplot（data = NULL， aes（x = 1- Specificity， y = Sensitivity）） +
geom_line（colour = ‘red’） + geom_abline（） +
annotate（‘text’， x = 0.4， y = 0.5， label = paste（‘AUC=’，
round（roc_nb$auc， 3））） + theme_bw（） +
labs（x = ‘1 - Specificity’， y = ‘Sensitivities’）
p_nb
朴素贝叶斯ROC曲线图
回归树的AUC值（0.93） 》 朴素贝叶斯的AUC值（0.839）
最终我们选择了回归树模型做为我们的实际预测模型
######################### ============= 应用 =============####################
# 使用回归树模型预测分类的概率，type=‘prob’设置预测结果为离职的概率和不离职的概率
pred_end 《- predict（rpartmodel， testdata［-7］， type = ‘prob’）
# 合并预测结果和预测概率结果
data_end 《- cbind（round（pred_end， 3）， pred_rpart）
# 为预测结果表重命名
names（data_end） 《- c（‘pred.0’， ‘pred.1’， ‘pred’）
# 生成一个交互式数据表
datatable（data_end）
最终我们会生成一个预测结果表
