El objetivo de este proyecto es construir modelos de aprendizaje automático que puedan predecir si los empleados abandonarán la empresa. El conjunto de datos utilizado fue recopilado por el departamento de recursos humanos y contiene información sobre los empleados, como su edad, género, educación, salario y otros factores que pueden estar relacionados con el desgaste laboral.
Se utilizarán varios preprocesos para preparar los datos antes de entrenar los modelos. Estos preprocesos incluyen la imputación de valores faltantes, la normalización de los datos y la reducción de la dimensionalidad. Se utilizarán varios modelos diferentes para predecir el desgaste laboral, incluyendo regresión logística, HistGradientBoosting y XGBoost.
El conjunto de datos utilizado en este proyecto se compone de datos recopilados de empleados de diferentes empresas. Los datos incluyen información sobre la edad, el género, la antigüedad en la empresa, el nivel de estrés, la carga de trabajo y otros factores relevantes.
Antes de construir los modelos de machine learning, se realizó un análisis exploratorio del conjunto de datos para comprender mejor las relaciones entre las diferentes variables y cómo se relacionan con el burnout. Se utilizaron técnicas como gráficos de barras, boxplots histogramas y mapas de calor para visualizar los datos y explorar las relaciones entre las variables.
Se construyeron varios modelos de machine learning para predecir el burnout en función de las variables disponibles en el conjunto de datos. Se utilizaron técnicas como Logistic Regressor, HistGradientBoosting y XGBoost.
Se evaluaron los modelos utilizando varias métricas, como la precisión, el recall y el F1-score. Además, se utilizó la matriz de confusión para evaluar el rendimiento del modelo en términos de verdaderos positivos, falsos positivos, verdaderos negativos y falsos negativos.
Los resultados obtenidos sugieren que los modelos construidos son efectivos para predecir el burnout en empresas. En particular, se encontró que HistGradientBoosting es la herramienta más efectiva para predecir el burnout en función del conjunto de variables disponibles.
En general, este proyecto demuestra que es posible utilizar técnicas de machine learning para predecir el burnout en empresas. Los resultados obtenidos pueden ser utilizados por las empresas para implementar estrategias efectivas para reducir el burnout y mejorar la salud mental y física de sus empleados.
Este proyecto fue realizado por Diego Alonso @DAlonso11 y Antonio Gómez @oteroantoniogom.
Este proyecto está bajo la Licencia MIT. Ver el archivo LICENSE para más detalles.