A comprehensive study on machine learning algorithms: Applying feature selection models to predict attrition rates in hr analytics
Makine öğrenmesi algpritmalari üzerine kapsamli bir çalişma: İk analitiğinde yipranma oranlarini tahmin etmek için değişken seçim medellerinin uygulanmasi
- Tez No: 958704
- Danışmanlar: DR. ÖĞR. ÜYESİ ERDEM ERZURUM
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: İngilizce
- Üniversite: Bahçeşehir Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Bilgisayar Mühendisliği Bilim Dalı
- Sayfa Sayısı: 192
Özet
Günümüzde kuruluşlar, İnsan Kaynakları (İK) analitiğini veri temelli karar almayı mümkün kıldığı için stratejik bir unsur olarak görmektedir. Yapay zekâ (AI) ve makine öğrenmesi (ML) entegrasyonu, İK analitiğinin çalışan devri tahmini, yetenek kazanımı, performans değerlendirmesi ve kişiselleştirilmiş gelişim stratejileri gibi birçok işlevde kullanılmasına olanak sağlamaktadır. Bu teknolojiler; öngörücü analitik yetenekler, duygu analizi araçları ve kişiselleştirilmiş öğrenme sistemleriyle AI destekli karar alma yapılarını güçlendirmektedir. Ancak AI tabanlı sistemler, verimlilik artışı ve içgörü sunmanın yanı sıra algoritmik önyargı, veri gizliliği ve şeffaflık gibi etik sorunları da gündeme getirmektedir. Bu çalışmada, makine öğrenmesi tekniklerinin çalışan istifasını tahmin etmede nasıl kullanılabileceği incelenerek, İK profesyonellerine risk altındaki çalışanları belirleyip elde tutma stratejileri geliştirme konusunda katkı sunulmuştur. Geri eleme, ileri seçim ve adım adım seçim gibi öznitelik seçim yöntemleriyle modellerin yorumlanabilirliği artırılmış, ardından farklı sınıflandırma algoritmaları uygulanmıştır. Lojistik regresyon, destek vektör makineleri, rastgele orman, AdaBoost, gradient boosting, CatBoost, LightGBM ve Voting Ensemble modelleri; doğruluk oranı, ROC eğrisi ve karışıklık matrisi gibi ölçütlerle değerlendirilmiştir. Lojistik regresyon, %88,4 doğruluk oranıyla en iyi sonucu verirken, Voting ve CatBoost güçlü performans sergilemiştir. Decision Tree modeli ise aşırı öğrenme nedeniyle düşük başarı göstermiştir. Sonuçlar, öznitelik seçimiyle desteklenen ML modellerinin iş gücü istikrarını artırmada etkili olduğunu ortaya koymaktadır.
Özet (Çeviri)
Organizations increasingly recognize Human Resources (HR) analytics as a strategic tool for data-driven workforce management. The integration of Artificial Intelligence (AI) and Machine Learning (ML) enables HR functions such as employee attrition prediction, talent acquisition, performance evaluation, and personalized development. These technologies support decision-making frameworks through predictive analytics, sentiment analysis, and personalized learning systems. While AI-driven HR systems offer efficiency and valuable insights, they also pose ethical concerns including algorithmic bias, data privacy risks, and transparency issues. This research explores how ML techniques can be employed to predict employee attrition, assisting HR professionals in identifying at-risk employees and developing retention strategies. Feature selection methods—backward elimination, forward selection, and stepwise selection—are used to enhance model interpretability and performance before applying classification algorithms. The study evaluates multiple ML models including Logistic Regression, Support Vector Machines, Random Forest, AdaBoost, Gradient Boosting, CatBoost, LightGBM, and a Voting Ensemble using accuracy metrics, ROC curves, and confusion matrices. Logistic Regression achieved the highest accuracy (88.4%) across all feature selection methods, especially with backward elimination. Ensemble methods like Voting and CatBoost also performed well, whereas Decision Trees underperformed due to overfitting. The effectiveness of HR analytics models stems from both algorithmic design and the strategic use of feature selection aligned with domain-specific needs. Simpler models often outperform complex ones when interpretability is critical. Overall, combining feature selection with ML techniques enhances predictive accuracy and offers practical value for organizations aiming to reduce turnover and maintain workforce stability.
Benzer Tezler
- Makine öğrenimini kullanarak IoT ağlarında saldırı tespiti
Intrusion detection in IoT networks using machine learning
HANAN ABU KWAIDER
Yüksek Lisans
Türkçe
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolMersin ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. ERDİNÇ AVAROĞLU
- Büyük boyutlu veriler için metasezgisel yöntemler ile öznitelik indirgemede yeni bir yaklaşım geliştirilmesi
Developing a new approach to feature selection with metaheuristic methods for large scale data
ESİN AYŞE ZAİMOĞLU
Doktora
Türkçe
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSakarya ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. NİLÜFER YURTAY
- Savaş nesnelerinin interneti (IoBT) ortamında makine öğrenmesi tabanlı siber saldırı tespit sistemi
Savaş nesnelerinin interneti (IoBT) ortamında makine öğrenmesi tabanlı siber saldırı tespit sistemi
SAMET ÇİFCİ
Yüksek Lisans
Türkçe
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolMarmara ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ EYÜP EMRE ÜLKÜ
DOÇ. DR. BUKET DOĞAN
- Veri madenciliği ile çalışanların yıpranma durumu tahmini ve kapsamlı performans analizi
Employee attrition prediction and comprehensive performance analysis with data mining
ÖZLEM YÜREKLİ
Yüksek Lisans
Türkçe
2024
Yönetim Bilişim SistemleriSelçuk ÜniversitesiYönetim Bilişim Sistemleri Ana Bilim Dalı
DOÇ. DR. İLKNUR ÇEVİK TEKİN
- Ağ anomalisi tespitinde emülatör ortamı tasarımı ve makine öğrenmesi ile saldırı tespiti
Emulator environment design for network anomaly detection and attack detection with machine learning
SERKAN KESKİN
Yüksek Lisans
Türkçe
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolBurdur Mehmet Akif Ersoy ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ERSAN OKATAN