Çalışan kaybının makine öğrenmesi yöntemleri ile tahminlemesi
Predicting employee attrition with machine learning methods
- Tez No: 864594
- Danışmanlar: DR. ÖĞR. ÜYESİ MURAT ŞİMŞEK
- Tez Türü: Yüksek Lisans
- Konular: Bilim ve Teknoloji, Science and Technology
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2024
- Dil: Türkçe
- Üniversite: Ostim Teknik Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Yazılım Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Yazılım Mühendisliği Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
Bu tez çalışması, çalışan devrinin kuruluşlar üzerindeki etkilerini anlamak ve bu devri doğru bir şekilde tahmin edebilmek amacıyla gerçekleştirilmiştir. Çalışan devri, bir kuruluşun üretkenliği, kültürü ve karlılığı üzerinde önemli bir etki sahibi olup, bu devrin proaktif bir şekilde yönetilmesi kuruluşların uzun vadeli başarısında kritik bir rol oynar. Bu çalışmada, çalışan devir hızını tahmin etmek için geleneksel makine öğrenimi yöntemleri kullanılarak çeşitli analizler yapılmıştır. Analiz sürecinde, kullanılan veri setinin dengesiz dağılımı tespit edilmiş ve bu sorunu çözmek için aşağı örnekleme ve yukarı örnekleme yöntemleri uygulanmıştır. Bu yöntemler Rastgele Yukarı Örnekleme (Random Over Sampler: ROS), Sentetik Azınlık Aşırı Örnekleme Tekniği (Synthetic Minority Over-sampling Technique: SMOTE), Rastgele Az Örnekleme Tekniği(Random Under-Sampling Technique: RUS), Near Miss ve Tomek Links yöntemleridir. Dengelenen veri seti üzerinde, aşırı öğrenmeyi önlemek amacıyla K-Fold Çapraz Doğrulama, Stratified K-Fold Çapraz Doğrulama, Leave-One-Out (LOO) Çapraz Doğrulama ve Group K-Fold Çapraz Doğrulama yöntemleri uygulanmıştır. Makine öğrenmesi modeli olarak yüksek performans metriklerine sahip Rastgele Orman (Random Forest: RF) yöntemi seçilmiş ve modelin performansını artırmak için Manuel(Elle) Ayarlama, Izgara Araması (Grid Search CV), Rastgele Arama, Bayes Optimizasyonu, Genetik Algoritmalar ve Parçacık Sürüsü Optimizasyonu hiper-parametre ayarlama yöntemleri uygulanmıştır. Çalışma sonucunda, Rastgele Orman(Random Forest: RF) ve Rastgele Yukarı Örnekleme(Random Over Sampler: ROS) yöntemlerinin birleşik kullanımının, çalışan devri tahmininde yüksek doğruluk sağladığı görülmüştür. Bu bulgu, kuruluşların çalışan devrini daha etkili bir şekilde yönetmelerine ve olası personel kayıplarını önceden tahmin ederek önleyici stratejiler geliştirmelerine olanak tanır. Ayrıca, çalışma sonuçları kuruluşların insan kaynakları yönetimi uygulamalarını geliştirmeleri için değerli içgörüler sunmaktadır. Bu tez, çalışan devri tahmininde makine öğrenimi yöntemlerinin etkinliğini ortaya koyarak, kuruluşların bu tahminleri stratejik karar alma süreçlerine entegre etmeleri için bir yol haritası sunmaktadır. Gelecek çalışmalar, farklı sektörlerdeki kuruluşlar üzerinde benzer yöntemlerin uygulanabilirliğini ve etkinliğini test ederek, bu alandaki bilgi birikimini genişletebilir.
Özet (Çeviri)
This thesis aims to understand the impact of employee turnover on organizations and to accurately predict it. Employee turnover has a significant impact on an organization's productivity, culture and profitability, and proactively managing this turnover plays a critical role in the long-term success of organizations. In this study, several analyses were conducted using traditional machine learning methods to predict employee turnover. During the analysis process, the unbalanced distribution of the data set used was identified and down sampling and up sampling methods were applied to solve this problem. These methods are Random Over Sampler (ROS), Synthetic Minority Over-sampling Technique (SMOTE), Random Under-Sampling Technique (RUS), Near Miss and Tomek Links. K-Fold Cross-Validation, Stratified K-Fold Cross-Validation, Leave-One-Out (LOO) Cross-Validation and Group K-Fold Cross-Validation methods were applied on the balanced dataset to prevent over-learning. Random Forest (RF) method with high performance metrics was selected as the machine learning model and Manual Tuning, Grid Search CV, Random Search, Bayesian Optimization, Genetic Algorithms and Particle Swarm Optimization hyper-parameter tuning methods were applied to improve the performance of the model. The results of the study show that the combined use of Random Forest (RF) and Random Over Sampler (ROS) methods provides high accuracy in employee turnover prediction. This finding allows organizations to manage employee turnover more effectively and develop preventive strategies by anticipating potential staff losses. Furthermore, the study results provide valuable insights for organizations to improve their human resource management practices. By demonstrating the effectiveness of machine learning methods in employee turnover prediction, this thesis provides a roadmap for organizations to integrate these predictions into their strategic decision-making processes. Future studies can expand the body of knowledge in this area by testing the applicability and effectiveness of similar methods on organizations in different industries.
Benzer Tezler
- A dataset quality enhancement method for fine-grained just-in-time software defect prediction models
İnce taneli tam zamanında yazılım hata tahmin modelleri için veri kalitesi iyileştirme yöntemi
İREM FİDANDAN
Yüksek Lisans
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. FEZA BUZLUCA
- Aircraft detection using deep learning
Derin öğrenme kullanarak hava aracı tespiti
UTKU MUTLU
Yüksek Lisans
İngilizce
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesiİletişim Sistemleri Ana Bilim Dalı
PROF. DR. SEDEF KENT PINAR
- Antenna design for breast cancer detection and machine learning approach for birth weight prediction
Meme kanseri tespiti için anten tasarımı ve doğum ağırlığı tahmini için makine öğrenmesi yaklaşımı
HALUK KIRKGÖZ
Yüksek Lisans
İngilizce
2024
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ONUR KURT
- İngilizceden Türkçeye istatiksel bilgisayarlı çeviri sistemlerinde paralel derlem boyutu ve kalitesinin etkileri
The effect of parallel corpus quality vs size in English to-Turkish statistical machine translation
ERAY YILDIZ
Yüksek Lisans
Türkçe
2014
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolYıldız Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. BANU DİRİ
YRD. DOÇ. DR. AHMET CÜNEYD TANTUĞ
- Kronik böbrek hastalığı ve diyabet için elektrokardiyogram üzerinden iyonik konsantrasyon tahmini
Ionic concentration estimation from electrocardiogram for chronic kidney disease and diabetes
SEBAHATTİN BABUR
Doktora
Türkçe
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSakarya ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. MEHMET RECEP BOZKURT
DR. ÖĞR. ÜYESİ SANAM MOGHADDAMNIA