r语言的数据分析毕业论文

本文分析利用IBM离职员工数据进行分析。在对离职率的影响因素进行观察的基础至上，建立模型并预测哪些员工更易离职。

一般而言，数据分析分为三个步骤：数据收集与清洗、探索性分析和建模预测。本文的数据集是IBM用于研究员工预测的 模拟数据 ，数据十分完整，无需清洗。因此，本文主要分为三个部分：

通过对IBM离职员工数据实践，本文希望发掘出影响员工流失的因素，并对利用R语言进行数据分析过程进行复习，深化对数据分析工作意义的理解。

IBM离职员工数据集共有35个变量，1470个观测个案。部分需要重点关注的变量如下：

上述变量可以分为三个部分：

载入分析包和数据集

通过描述性统计可以初步观测到：

分析结果：

基于对数据的探索性分析，员工离职有多方面因素的影响，主要有：

1.工作与生活的不平衡——加班、离家远和出差等； 2.工作投入如果不能获得相匹配的回报，员工更倾向离职； 3.优先股认购等福利是员工较为关注的回报形式； 4.年龄、任职过的公司数量的因素也会影响员工离职率；

删除需要的变量：EmployeeCount, EmployeeNumber, Over18, StandardHours 变量重新编码：JobRole, EducationFiled

分析结果表明：

随机森林所得的AUC值为，小于决策树模型。

GBM模型得到的AUC值为

对于对于随机森林和GBM的方法，AUC值小于单一决策树模型的AUC值的情况较少见，这显然说明单一的树拟合得更好或者更稳定的情况。（一般需要得到AUC值大于的模型）

当结果分类变量之间的比列是1：10或者更高的时候，通常需要考虑优化模型。本例中，离职变量的比列是1：5左右，但仍然可能是合理的，因为在决策树中看到的主要问题是预测那些实际离开的人（敏感度）。

加权旨在降低少数群体中的错误，这里是离职群体。

向上采样（up-sampling）指从多数类中随机删除实例。

向下采样（down-sampling）指从少数类中复制实例。

分析结果表明： 加权调整的模型表现最好，相比较于单纯的随机森林和GBM模型，AUC值从上升至，灵敏度也达到了。据此，后续将采用加权调整后的模型进行预测。

已经训练出一个表现较好的模型。将其应用于实践时，需要注意以下几个方面：

可以观察到影响员工流失的前5个因素是：

因此，在实践中就需要注意：

本例中对工作投入高、收入低的员工进行预测。

本例分析仍有需要足够完善的地方，还可以往更多更有意义的地方探索：

资料：《Statistical Analysis of Network Data with R》

语言R常见的网络分析包：

网络分析研究大部分是描述性的工作。 网络的可视化 即是一门艺术，也是一门科学。

三元闭包体现了社会网络的“传递性”（transitivity），枚举所有节点三元组中构成三角形的比值来表征。

网络的可视化和数值特征化是网络分析的首要步骤之一。 网络可视化视图将数据的多个重要反面整合在一个图表中。

该节点在多大程度上会与同类型或者不同类型的其他节点进行匹配，可以通过一种相关性统计量（所谓的同配系数）进行量化。

将复杂系统中感兴趣的问题与合适的网络概括性度量匹配起来，是网络特征化方法起作用的关键所在。

网络中的频繁子图模式

网络聚类系数的分布,用来检验社会网路的聚集性上

sand安装包 网络数据统计分析 statistical analysis of network data 在CRAN上

G=（V,E） 节点 ：vertices 或者 nodes 边：edges 或者 links 节点数量：图的阶数 order 边的数量：图的规模 size

同构图 isomorphic

无向 undirected 有向 directed graph 或者 digraph 边：有向边 directed edges 或 弧 arcs 双向 mutual

小的图形用 formulate来创建

把mg转化为wg2

Zachary 空手道俱乐部网络 （karate club network） 数据集合实际上只存在两个社团，分别以教练为中心和以主管为中心。

Lazega律师网络可视化

srt() 不能用使用 upgrade_graph()d代替

DrL算法，针对大型网络可视化设计的布局算法。

节点的节点，即社区节点（主题节点）

即一个中心节点，一其直接相连的邻居，以及这些节点至今的边。

度值不同的节点以何种方式彼此连接

图的密度

全局聚类系数

局部聚类系数

互惠性 reciprocity 二元组普查

1：excel虽然内置有数据分析模块，但是毕竟不是专业的数据统计分析软件，功能上受限很多。2：当然我们平时的大部分数据分析工作，无论是课程、毕业论文需要的，大家可能更习惯于使用专业的Eviews、SPSS、Stata、Minitab，甚至计量和统计科班的大神们都在用SAS、MATLAB或者R语言、Python语言。3：今天给大家推荐的两款excel数据分析插件内存小，内置于excel工具栏随点随用，仅仅包含常用功能，界面简洁。4：第一款6SQ统计是国内一家叫做六西格玛网的公司开发的，主要用于品质管理，不过常用的统计功能和数据分析模块都具备。一共有两个版本：开发版（收费）和个人版（免费），经过试用，两个版本功能差别不大。