Avaliação comparativa de técnicas de aprendizado de máquina na previsão de Turnover, com uso de inteligência artificial explicável.
Resumo
Este artigo realizou uma análise comparativa de dez algoritmos de Aprendizado de
Máquina para prever cenários de turnover em organizações. Foram utilizadas duas bases de
dados do site Kaggle: a primeira em relação a uma empresa americana, que não teve o nome
divulgado, com 9.540 registros e a outra do trabalho de prevenção de rotatividade de
funcionários da Portobello Tech com 11.995 registros, ambas com dez atributos cada. As
métricas catalogadas foram precisão, F1-Score, Recall e Acurácia. Diante dos resultados dos
algoritmos, o Random Forest se destacou, apresentando acurácia de 0,84 para a primeira base
e 0,95 para a segunda em relação aos conjuntos testes das bases utilizadas. Após essa etapa, a
metodologia SHAP foi utilizada para identificar os atributos mais impactantes na intenção de
turnover. A média de horas trabalhadas mensais, a satisfação do funcionário e o tempo na
empresa foram os atributos mais relevantes em ambas as bases para a decisão de pedir
demissão.
Os arquivos de licença a seguir estão associados a este item: