Chương 1 - Giới thiệu nghiên cửu: Trinh bày tâm quan trọng cùa quản lý nguồn nhân lực trong tổ chức và lý do cần thiết phái dự báo khả năng nghi việc của nhân viên. 5 Chương 2 - Cơ sờ lý thuyết và lông quan nghiên cứu: Khảo sát và phân lích các nghiên cửu trước đây vê việc ứng dụng máy học và phân tích dữ liệu trong quàn lý nguôn nhân lực, từ đó xác định các khoáng trống nghiên cứu cần được khai thác. Chương 3 - Mô hỉnh thực nghiệm dự báo nhân viên rời bỏ: Trinh bày chi tiết về quy trinh nghiên cửu bao gồm các bước thu thập dừ liệu, tiền xử lý dữ liệu, chuyến đối dừ liệu, huấn luyện mô hình, đánh giá mô hỉnh và chọn lựa mô hình dự báo tốt nhất. Chương 4 - Kêt quà thực nghiệm: Trình bày kêt quà thực nghiệm các mô hình dự báo và tháo luận về hiệu suất của từng mô hình.
So sánh và đánh giá mô hình tốt nhất dựa trên các chí sô đánh giá như Accuracy, Precision, Recall và Fl-Score. Chương 5- Kêt luận và kiên nghị: Tông kêt lại các kêt quà chính của nghiên cứu và đề xuất các khuyển nghị cho các tố chức áp dụng mô hình dự báo để nâng cao hiệu suất quản lý nhân sự. Đưa ra các hướng nghiên cứu tiêp theo đê hoàn thiện và cải tiên mô hình. 6 CHƯƠNG 2: cơ SỞ LÝ THU VẾT VÀ TỎNG QUAN NGHIÊN cửu 0 chương 2, tác giá trinh bày các cơ sơ lý thuyêt nên táng bao gôm: định nghĩa nhân viên nghỉ viộc là gỉ, một sổ nguyên nhân nghỉ việc.
Sau đó, lác giá chỉ ra một sổ thuật toán trong bài toán phân loại cũng như các chi sổ đo đường độ chính xác mỏ hình. Cuối cùng, tác gia lược kháo các nghiên cứu liên quan.1 Định nghĩa Nhân viên nghỉ việc Nhân viên nghi việc là quá trinh một nhân viên quyết định rời bó công ty hoặc lô chức mà họ đang làm việc. Đây là một vấn đề quan trọng trong quản lý nhân sự vỉ sự nghi việc của nhân viên không chỉ làm mât đi nguôn lực lao động mà còn dan đên mất khách hàng và gây ảnh hường đến hoạt động kinh doanh cũng như sự phát trién cua doanh nghiệp (Agarwal và cộng sự, 2013). Việc rời bỏ công việc có ý nghía quan trọng với cà người lao động đang cân nhắc rời bỏ công việc và nhà quản lý đang phái đối mặt với tình trạng thiếu hụt nhân sự, chi phí luyến dụng và đào lạo nhân viên mới cao, và quan trọng không kém là vấn đồ năng suất của tô chửc (Firth và cộng sự, 2004) 2.2 Nguyên nhân nhân viên nghỉ việc Sự nghi việc của nhân viên cỏ thế do nhiều nguyên nhân khác nhau, tù’ yếu tố cá nhân như thu nhập, cơ hội thăng tiến, môi trường làm việc, đến các lý do gia đình (Raza và công sự, 2022).
Ap lực công việc và thiêu hài lòng vê công việc là một trong nhừng yêu tô khiến nhân viên muốn nghi viộc (Moorc, 2002). Việc nhân vicn nghi viộc là hiểu mà các doanh nghiệp không mong muốn xáy ra, do đó, nếu hiểu rõ những nguyên nhân này giúp các doanh nghiệp thâu hiêu được các khía cạnh liên quan quán trị nhân sự, từ đỏ cỏ thê xây dựng các chiến lược giừ chân nhân viên hiệu quá hơn, giám tý lệ nghi việc, nâng cao phúc lợi và duy tri lực lượng lao động ôn định, đám báo cho SỊT phát triên .3 Các phưong pháp phân loại trong máy học Dự đoán nhân viên rời bỏ là bài toán xác định xem một nhân viên có nghỉ việc ờ công ty hay không, với kết quá trá về là "Có” - Positive (giá trị 1) hoặc "Không" - Negative 7 (giá trị 0). Với tập dĩr liệu thực nghiệm đà xác định rõ nhân viên nào nghi việc, dự đoán này thuộc loại học máy có giám sát. Theo Tatsat và Lookabaugh (2020), một sô phương pháp phô biển trong phân loại học máy có giám sát bao gồm Logistic Regression, K- Nearest Neighbors, Decision Tree, Support Vector Machine, Ensemble Boosting, Ensemble Bagging, và Artificial Neural Network.
Trong nghiên cứu này, tác giả sử dụng sáu mô hỉnh đe thực nghiệm, gồm Logistic Regression, K-Ncarcst Neighbors, Decision Tree, Support Vector Machine, Neural Network và Random Forest. Kêt quả đâu ra của mô hình là xác suất được tính toán theo hàm hôi quy tuyên tính, trong đó biên y năm trong khoảng giá trị từ 0 đến 1. Điều này cho phép mô hình dự đoán xác suất thuộc về một trong hai lớp vả đưa ra quyêt định dựa trên ngường xác suât đã chọn. Hôi quy logistic vê cơ bản sử dụng một hàm logistic để lập mô hình biến đầu ra nhị phân.
Sự khác biệt cơ bán giừa hồi quy tuyến tính và hồi quy logistic là phạm vi cùa hồi quy logistic bị giới hạn từ 0 đến 1. Ngoài ra, trái ngược với hôi quy tuyên tính, hôi quy logistic không yêu câu môi quan hệ tuyên tỉnh giừa các biến đầu vào và đầu ra. K-Nearest Neighbors (KNN) được xem như là một trong những thuật toán học máy đơn gián nhất. Việc xây dựng mô hình chi bao gồm dừ liệu trên lập huấn luyện.
Đê dự đoán cho một quan sát mới, thuật toán sẽ tìm những diêm dừ liệu gần nhất trong tập dừ liệu huân luyện. Vì lý do này, thuật toán này được gọi là ”láng giêng gân nhât" (Mủller và Guido, 2016). KNN hoạt động dựa trên nguyên tắc rằng các diem dữ liệu gần nhau cỏ xu hướng thuộc cùng một lớp, từ đó đưa ra dự đoán cho các diêm dữ liệu mới. Có hai diêm quan trọng cần biết ve KNN: - Thử nhất, KNN là một thuật toán không tham số.
Điều này có nghía là khi sử dụng mô hình, không có giả định nào về tập dừ liệu được đưa ra. Thay vào đó, mô hình được xây dựng hoàn toàn lừ dừ liệu được cung cấp. - Thứ hai, không có sự chia tách lập dừ liệu thành các tập huân luyện và kiêm tra khi sử dụng KNN. KNN không thực hiện các tổng quát hỏa giừa tập huấn luyện và tập 8 kiêm tra, do đó tất cá dừ liệu huấn luyện đều được sứ dụng khi mô hình được yêu cầu dự đoán.
Nhờ những đặc diem này, KNN có những ưu diem như đơn gian và dồ giải thích, không dựa trên bâl kỳ giã định nào, nên cỏ thê được sử dụng cho các bài toán phi tuyên. Thuật toán hoạt động tôl trong các bài toán phân loại với nhiêu lớp và cỏ thẻ sử dụng cho cá phân loại và hồi quy. Decision Tree (DT) là một phương pháp học máy kêt hợp, trong đó quá trinh huân luyện mô hình xây dựng nhiều nhánh "cây quyết định" tại cùng một thời điếm và cho kết quà phân loại của từng nhánh cây. Cây quyẻt định hoạt động băng cách chia dữ liệu thành các nhóm nhỏ hơn dựa trên các đặc trưng quan trọng, từ đó tạo ra các nhánh cây biêu diền các quyết định dần đến kết quá cuối cùng.
Decision Tree là một mô hình cần thiết bời vì đê thực hiện các mô hình tinh toán cô điển, chúng ta cần đàm bâo rằng dừ liệu được sử dụng đê tạo mô hình không có các điều kiện như giá trị thiếu, ngoại lệ giá trị cần phải được xứ lý, và các đường polyline cần phái được giải quyết. Toàn bộ quá trinh xir lý liền lệ cần phái được thực hiện trước. Trong khi đó, với cây quyêt định, chúng ta không cân thực hiện bất kỳ loại tiền xư lý nào trôn dừ liệu trước đó. Cây quyết định đủ mạnh đổ xứ lý tất cá các vân đô như vậy đê đưa ra quyêt định.
Ngoài ra, Cây Quyết Định có khá năng XU' lý dừ liệu phi tuyến mà các mô hình tuyển tính cổ điên không thê xử lý được. Vì vậy, Cây Quyết Định đii đa dạng để thực hiện cá các tác vụ điêu tiêt và phân loại. Các loại Cây Quyết Định dựa trên loại biên mục tiêu mà chúng ta có. Nó có thô cỏ hai loại: - Cây Quyêt Định Biên Phân Loại: Cây Quyêt Định có biên mục tiêu là biên phân loại - Cây Quyết Định Biến Liên Tục: Cây Quyết Định có biến mục tiêu là biến liên tục 9 Decision Tree Root node Branch Q.
Decision Decision Q node node E E X «J Leaf Decision Leaf Leaf node node node node Leaf Leaf node lode jcchouinard. Kiên trúc cơ ban cùa Cảy Quyêt Định (Nguồn: jcchouinard.com) Support Vector Machine (SVM) là một thuật toán có thê dùng đê phân loại cho cả dữ liệu tuyên tính và phi tuyên tính (Muller và Guido, 2016). SVM được ứng dụng trong nhiều lĩnh vực như phân loại, nhận dạng chừ viết tay, nhận dạng đổi tượng hoặc phân tích dừ liệu chuôi thời gian (Han và cộng sự, 2022). SVM hoạt động băng cách tim ra một siêu phăng tôi ưu đê phân chia các lớp dừ liệu, từ đó giúp đưa ra dự đoán chính xác cho các đicm dừ liộu mới.
Một ưu diêm nôi bật cua SVM là khá năng tạo ra các mô hình phân loại mạnh mè và tông quát hóa tôt ngay cà khi sô lượng mau huân luyện ít và sô lượng đặc trưng lớn (Scholkopf và Smola, 2002). Tuy nhiên, SVM cũng có nhược điếm là thời gian huấn luyện có thế kéo dài với các tập dừ liệu lớn, và việc lựa chọn các tham sổ phù hợp có thế đòi hói quá trình thừ nghiệm và kiếm tra phức tạp (Ben-Hur và Weston, 2010). Mạng no-ron (Neural Network - NN), còn được gọi là Mạng thần kinh nhân lạo (Artificial Neural Network), là một mô hình dự báo hoạt động giông như bộ nào cua con người. Mạng nơ-ron bao gồm các nơ-ron nhân tạo thực hiện tính toán dựa trên các dừ liệu 10 đầu vào.
Mô hỉnh này được sử dụng nhiều để giải quyết các bài toán nhận dạng chừ viết tay, nhận diện khuôn mặt và học sâu (Grus, 2019). Mạng nơ-ron cỏ khá năng học hói và cái thiện hiộu suất qua từng lần huấn luyện, từ đó tạo ra các mô hình dự đoán mạnh me. Cơ sờ lý thuyết cùa mạng nơ-ron dựa trên cấu trúc và chức năng cùa nào bộ con người. Một mạng nơ-ron nhân tạo bao gôm nhiêu lớp nơ-ron, bao gôm lớp đâu vào, lớp ân và lớp đâu ra.
Mồi nơ-ron trong các lớp này thực hiộn một phép biến đổi tuyến tính theo trọng số và sau đỏ áp dụng một hàm kích hoạt phi tuyên. Quá trinh huân luyện mạng nơ-ron liên quan đen việc điều chinh các trọng số này đé tối ưu hóa hàm mục tiêu, thường là thông qua thuật toán lan truyên ngược (backpropagation) và phương pháp tôi ưu hóa gradient descent (Rumelhart và cộng sự, 1986). Một trong những ưu diêm nồi bật cùa mạng nơ-ron là khá năng học lừ dữ liộu phi tuyên và phức tạp.