逻辑回归python代码实现人力资源管理分析

逻辑回归是一种广泛用于分类任务的统计模型，特别适用于二分类问题。在人力资源管理分析中，它可以用来预测员工流失、职位匹配度等。以下是使用Python中的sklearn库实现逻辑回归的基本步骤：

# 导入所需的库
import pandas as pd
import numpy as np
from sklearn.model_selection import train_test_split
from sklearn.linear_model import LogisticRegression
from sklearn.preprocessing import StandardScaler
from sklearn.metrics import accuracy_score, confusion_matrix

# 假设你已经有了一个名为hr_data的数据集（包含特征和目标变量）
# 加载数据
data = pd.read_csv('hr_data.csv')  # 替换为实际文件路径

# 数据预处理
X = data.drop('target_column', axis=1)  # 假设目标变量为'target_column'
y = data['target_column']

# 划分训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

# 特征缩放（可选，根据数据特性）
scaler = StandardScaler()
X_train = scaler.fit_transform(X_train)
X_test = scaler.transform(X_test)

# 创建并训练逻辑回归模型
model = LogisticRegression()
model.fit(X_train, y_train)

# 预测
y_pred = model.predict(X_test)

# 评估模型性能
accuracy = accuracy_score(y_test, y_pred)
conf_mat = confusion_matrix(y_test, y_pred)

print("Accuracy:", accuracy)
print("Confusion Matrix:\n", conf_mat)

# 相关问题--
1. 在人力资源管理中，如何选择合适的特征对逻辑回归进行建模？
2. 如果数据不平衡，如何调整逻辑回归模型来优化预测？
3. 如何使用网格搜索或超参数调优来改进模型性能？