人员分析:在人员流动模型中建立可解释性

2018年11月30日 171337次浏览
文/Ridwan Ismeer



最近,我有幸与来自新加坡理工大学的一群才华横溢的学生一起工作。他们的任务是帮助构建一个非常普通的人员分析应用程序:预测员工流动率(此类应用程序的优点、相关性和伦理值得商榷,可以单独讨论)。

摘要:建立一个能够准确预测员工情绪的模型,在0-6个月,6-12个月和>12个月的时间范围内的周转风险。

这两项不可谈判的要求是:

1.准确性:真阳性高,假阳性低。大多数实践者会强调低假阴性,但我们有理由不这么做。

2.可解释性:在人员分析中,模型的可解释性是采用模型的关键。人员分析的最终用户通常想要理解为什么模型要预测它是什么。事实上,GDPR有新的规定要求人工智能的决定是可解释的。

现在,任何分析实践者都可以很快地指出,这两个需求之间存在一个内在的平衡。精确的模型很少是可解释的。可解释的模型很少是准确的。但我们想检验这

尊敬的用户:
当前内容已经归档,暂时无法访问!