R语言XGBoost员工流失预测代码

在R语言中，使用XGBoost进行员工流失预测通常涉及以下几个步骤：

1. **数据加载和预处理**：

library(xgboost)
library(dplyr)

# 加载数据
data <- read.csv("employee_data.csv") # 假设数据文件名为"employee_data.csv"
data$target <- ifelse(data$离职状态 == "yes", 1, 0) # 将离职状态转化为二分类目标变量

# 数据清洗、缺失值处理和特征工程
data %>% dropna() %>%
  select(-c(column_to_drop)) # 删除不需要的列

2. **拆分数据集**：

set.seed(123)
train_index <- sample(nrow(data), nrow(data) * 0.8)
train_data <- data[train_index, ]
test_data <- data[-train_index, ]

x_train <- train_data[, - test_data[, -ncol(test_data)]
y_test <- test_data$target

3. **建立模型**：

params <- list(
  objective = "binary:logistic", # 对于二分类问题，选择 logistic 回归
  booster = "gbtree", # 使用GBDT算法
  max_depth = 5, # 树的最大深度
  eta = 0.3, # 学习率
  nrounds = 100 # 迭代次数
)

model <- xgboost(params, dmatrix = as.matrix(x_train), label = y_train)

4. **评估模型**：

pred <- predict(model, as.matrix(x_test))
confusion_matrix <- table(pred, y_test)
accuracy <- sum(diag(confusion_matrix))/sum(confusion_matrix)

5. **模型优化与调整**：

cv_results <- xgb.cv(params, dmatrix = as.matrix(x_train), label = y_train, nfold = 5)
best_params <- cv_results$best_params
final_model <- xgboost(best_params, dmatrix = as.matrix(x_train), label = y_train)