Моделирование процессов подбора и оценки персонала (1142477), страница 18
Текст из файла (страница 18)
Несмотря на то, что существуют программные пакеты, вкоторых модели бинарного выбора уже реализованы, программный код данныхпакетов является закрытым, что уменьшает доверие к результатам вычислений.Другим аргументом в пользу пакета Maple является возможность производитьсимвольные вычисления, что крайне удобно для нахождения гессиана функции97правдоподобия, необходимого для реализации многомерного метода Ньютона дляпоиска экстремума функции.Начнём с пробит-модели (39). ( = 1|) =(−)−2∙2∫ √2∙ −∞12(39)Сначала включим полный набор факторов в модель:1) пол кандидата;2) возраст;3) наличие высшего образования;4) профиль;5) стаж работника (лет);6) количество организаций, в которых работал кандидат;7) перечисленные обязанности (количество);8) знание английского языка;9) другие иностранные языки, указанные в резюме;10) уровень знания компьютера (3-балльная шкала, 0 - не указан, 1 - знаниеMS Office, 2 - знание специализированных пакетов анализа Statistica, SAP и т.
д., 3- навыки программирования);11) уровень запрашиваемой заработной платы («0», если не указан).Данные для статистики были взяты из резюме работников, рекомендованныхкрупным кадровым агентством своим клиентам. Бинарная зависимая переменная98принимает значение «1» в том случае, если человек продолжил работу ворганизации по истечении испытательного срока, «0» - в противоположном случае.Оцененные коэффициенты при переменных представим в виде таблицы 1.Таблица 2 – Коэффициенты при переменных (пробит-модель)0−7,193Пол кандидата0,768Возраст−0,0502Наличие высшего образования3,870Профиль−1,051Стаж работника (лет)0,296Количество организаций, в которых работал−0,296кандидатПеречисленные обязанности (количество)−0,001Знание английского языка4,140Другие иностранные языки, указанные в0,687резюмеУровень знания компьютераУровень запрашиваемой заработной платы0,360−0,0000062Источник: составлено автором.2= 0,42 = 23,33 > 2 (11) = 19,68 ; при уровне значимости 95%Значение LR статистики показывает, что все параметры являютсязначимыми.
Поскольку функция распределения всегда является монотонновозрастающей, то по знаку параметра можно судить о том, какой вклад,отрицательный или положительный, он вносит в конечную вероятность. В нашемслучае, поскольку значения всех факторов являются неотрицательными, можноутверждать, что знак коэффициента перед ним можно интерпретироватьбуквально. Так, например, знание иностранных языков оказывает положительное99влияние на конечную вероятность, что вполне очевидно.
Столь же понятно иотрицательное влияние количества организаций, в которых работал кандидат. Ужена стадии обработки данных для статистики автор заметил тот факт, что люди,которые уволились в течение испытательного срока, могли сменить множествоорганизаций за два-три года. Прошедшие испытательный срок, напротив,предпочитали не менять столь часто место работы. Следует отметить, чтоабсолютная величина коэффициентов при факторах ни коим образом не говорит означимости этих факторов в регрессии, но лишь масштабирует их значения.Исключение любого параметра из модели приводит к уменьшению величины2, что говорит о необходимости присутствия каждого фактора в регрессии.В конечном итоге, именно сочетание всех факторов оказывает решающее влияниена результат, предсказываемый моделью.Гистограмма предсказанных вероятностей, представленная на рисунке 5,указывает на то, что большинство из них близки либо к 0, либо к 1.
Это означает,что модель редко даёт «неуверенную» оценку кандидатам.Источник: составлено автором.Рисунок 5 – Гистограмма предсказанных вероятностей, пробит-модельЛогит модель (40) даёт несколько лучший результат:100 ( = 1|) =1 + (40)Коэффициенты при переменных представим в таблице 2.Таблица 3 – Коэффициенты при переменных (логит-модель)0−16,867Пол кандидата0,956Возраст−0,094Наличие высшего образованияПрофиль9,472−1,8603Стаж работника (лет)Количество организаций, в которых работал0,436−0,588кандидатПеречисленные обязанности (количество)−0,009Знание английского языка9,859Другие иностранные языки, указанные в0,937резюмеУровень знания компьютераУровень запрашиваемой заработной платы0,524−0,00001Источник: составлено автором.2= 0,43 = 24,046 > 2 (11) = 19,68 ; при уровне значимости 95%101Источник: составлено автором.Рисунок 6 – Гистограмма предсказанных вероятностей, логит-модельНа гистограмме, представленной на рисунке 6, отчетливо видно, чтологистическаяфункциярежепредсказываетвероятностьпрохожденияиспытательного срока, близкую к 0,5, что, безусловно, даёт большую уверенностьв результате.Гомпит модель (41), на имеющихся данных, показала наихудший результат,заметный, в том числе, по более частым неуверенным оценкам, что хорошо заметнона гистограмме, представленной на рисунке 7: ( = 1|) = 1 − −(41)Коэффициенты при переменных представлены в таблице 3.Таблица 4 – Коэффициенты при переменных (гомпит-модель)0Пол кандидатаВозрастНаличие высшего образования−17,1141,398−0,0558,478102Продолжение таблицы 3Профиль−1,544Стаж работника (лет)0,211Количество организаций, в которых работал−0,291кандидатПеречисленные обязанности (количество)−0,007Знание английского языка8,5204Другие иностранные языки, указанные в1,174резюмеУровень знания компьютераУровень запрашиваемой заработной платы0,502−0,000009Источник: составлено автором.2= 0,40 = 24,046 > 2 (11) = 19,68 ; при уровне значимости 95%Источник: составлено автором.Рисунок 7 – Гистограмма предсказанных вероятностей, гомпит-модель103Выбор порогового значения вероятности для принятия окончательногорешения зависит уже от руководителя кадровой службы самого предприятия.Очевидно, что чем выше пороговое значение, тем выше степень уверенности вбудущем кандидате.Для того чтобы окончательно убедиться в том, какая из моделейосуществляет классификацию наилучшим образом, построим ROC-кривую длятрёх моделей.
На рисунке 8 графики для пробит-, логит- и гомпит-моделейпоказаны золотым, красным и зеленым цветами соответственно. На рисункеотчетливо видно, что ROC-кривая логит-модели больше остальных смещена всторону левого верхнего угла, что соответствует наилучшему качествуклассификации. Показатель AUC для логит-модели равен 0.962, для пробит-модели- 0.958, для гомпит-модели - 0.955.Алгоритм для построения ROC-кривой для каждой модели был такженаписан в программном пакете Maple, программный код представлен вприложениях А, Б и В.Источник: составлено автором.Рисунок 8 – ROC-кривые для пробит-, логит- и гомпит-моделей104Посколькулогит-модельпродемонстрироваланаилучшийрезультат,покажем работу интерфейса к программному коду на примере данной модели.
Дляосуществления расчетов необходимо сначала исполнить лист программного кода,целиком нажав на кнопку с тремя восклицательными знаками в программномпакете Maple -, затем просто выбрать файл, содержащий статистику.Необходимо отметить то, что коэффициенты, полученные в диссертационномисследовании, обладают универсальностью и могут быть сразу использованы вмоделях для оценки вероятности прохождения испытательного срока. Вместе с темнаписаннаяпрограммапозволяетслегкостьюпроизводитьпересчеткоэффициентов модели на новых статистических данных, что помогает учитыватьспецифику работы конкретного предприятия или кадрового агентства.После того как программа произвела расчет коэффициентов, на экранепоявится окно, показанное на рисунке 9, для ввода данных по кандидату и оценкивероятности прохождения им испытательного срока.105Источник: составлено автором с помощью программы из приложения Б.Рисунок 9 – Интерфейс программы для оценки вероятности прохожденияиспытательного срока1063.2 Анализ результатов искусственной нейронной сетиТеперь рассмотрим второй подход к моделированию процесса подбораперсонала – представим его в виде бинарной классификации и попытаемся решитьс использованием искусственной нейронной сети.Преимущество искусственных нейронных сетей при использовании длязадачклассификацииобусловленоихисключительнойспособностьюмоделировать нелинейные зависимости с большим количеством переменных.
Ктому же, в случае с оценкой работника, когда количество классов равно двум («0»– работника не следует рекомендовать клиенту, «1» – работника можнорекомендовать клиенту) использование ИНС не вызовет сложностей, связанных спредставлением данных на выходе сети.Для оценки будущего работника будем использовать многослойнуюнейронную сеть, реализованную в программном пакете Deductor.Одним из достоинств данной программной реализации искусственныхнейронных сетей является возможность настроить тип выходных данных на этапепредварительной обработки статистики, как показано на рисунке 10.107Источник: интерфейс программного пакета Deductor.Рисунок 10 – Предварительная обработка загружаемой статистикиВыбор целочисленного типа данных позволяет избавиться от основногонедостатка бинарной регрессии – неуверенных оценок и необходимости выбиратьпороговое значение вероятности.После загрузки и предварительной обработки статистики необходимовызвать «Мастер обработки», представленный на рисунке 11, и приступить кпостроению искусственной нейронной сети.108Источник: интерфейс программного пакета Deductor.Рисунок 11 – Инструмент «Мастер обработки»Далее экспериментальным путём было выявлено, что наилучшим образомклассификацию осуществляет ИНС со следующей конфигурацией:количество скрытых слоёв – 2;количество нейронов в первом скрытом слое – 2;количество нейронов во втором скрытом слое – 4;активационная функция нейронов – гипертангенс;алгоритм обучения – алгоритм эластичного распространения ошибки(resilient propagation).Стоит отметить, что выбор целочисленного типа данных, о котором былосказано выше, отрицательно влиял на обучение модели, но даже снепрерывным типом данных на выходе искусственная нейронная сеть даеткандидатам оценку, близкую либо к 0, либо к 1.109Источник: составлено автором.Рисунок 12 – Граф нейронной сетиЦвета рёбер графа на рисунке 12 показывают значения синаптическихвесов, однако, как уже было отмечено выше, веса в искусственных нейронныхсетях не поддаются интерпретации, как коэффициенты в регрессионных моделях.Нейронная сеть данной конфигурации осуществляет вернуюклассификацию для всех работников и не дает неуверенных оценок, что видно нагистограмме, представленной на рисунке 14, как это бывает при использованиимоделей бинарного выбора (пробит, логит, гомпит).
На рисунке 13 представленырезультаты работы ИНС на тестовом множестве.Источник: составлено автором.Рисунок 13 – Результаты ИНС на тестовом множестве110Источник: составлено автором.Рисунок 14 – Гистограмма выходных значений ИНСОдним из недостатков ИНС является то, что они не показывают, как именновлияют отдельные факторы на классификацию. Другим недостатком является то,что при одних и тех же параметрах повторное обучение нейронной сети можетдавать отличный результат, о чем будет сказано ниже.
![](https://s.studizba.com/z.php?f=/templates/si/i/noavatar.png&w=100&h=100&t=1"){kind=avatar}
