将机器学习模型集成至决策支持工具以预测潜在员工的工作缺勤
机器学习
2022-02-09 v1
摘要
目的——低效的招聘可能导致生产率降低和培训成本上升。由工作缺勤引起的生产率损失每年使美国雇主耗费数十亿美元。此外，雇主通常需耗费大量时间管理表现不佳的员工。本研究的目的是开发一种决策支持工具，用于预测潜在员工的缺勤情况。设计/方法/途径——我们利用了一个流行的开放获取数据集。为对缺勤类别进行分类，数据经过预处理，并应用了四种机器学习分类方法：多项逻辑回归（MLR）、支持向量机（SVM）、人工神经网络（ANN）和随机森林（RF）。我们基于若干验证分数选出最佳模型，并将其性能与现有模型进行比较；随后将最佳模型集成至我们提出的面向招聘经理的基于网络的工具中。研究发现——基于网络的决策工具使招聘经理在雇佣潜在员工前能做出更明智的决策，从而减少时间、财务损失并降低经济破产的概率。原创性/价值——本文提出了一种基于招聘过程中可收集属性训练的模型。此外，招聘经理可能缺乏机器学习经验或无暇开发机器学习算法。因此，我们提出了一种无需机器学习算法先验知识即可使用的基于网络的交互式工具。
引用
@article{arxiv.2202.03577,
title = {Integration of a machine learning model into a decision support tool to predict absenteeism at work of prospective employees},
author = {Gopal Nath and Antoine Harfouche and Austin Coursey and Krishna K. Saha and Srikanth Prabhu and Saptarshi Sengupta},
journal= {arXiv preprint arXiv:2202.03577},
year = {2022}
}