IBM HR Analytics Employee Attrition & Performance - Análisis y Visualización

Este proyecto utiliza el dataset de IBM HR Analytics Employee Attrition & Performance para analizar los factores que influyen en la rotación de empleados y el desempeño laboral dentro de una organización.

Contenido del Notebook

• Carga y limpieza de datos:
  Se importa el dataset, se eliminan duplicados y se revisan valores nulos para asegurar la calidad de los datos.

• Exploración de datos:
  Se exploran las principales variables del dataset, incluyendo edad, género, ingresos, satisfacción laboral, años en la empresa, entre otros.

• Visualización:
  Se generan gráficos como histogramas, boxplots, scatterplots y heatmaps para identificar patrones y relaciones entre variables clave (edad, género, satisfacción, rotación, ingresos, etc.).

• Modelado predictivo:
  Se implementa un modelo de clasificación (Random Forest) para predecir la rotación de empleados (Attrition) usando variables relevantes.

• Clustering y reducción de dimensionalidad:
  Se aplica K-Means para segmentar empleados y PCA para visualizar los clusters en dos dimensiones.

• Evaluación de modelos:
  Se muestran métricas de desempeño como accuracy, confusion matrix, classification report, mean squared error y R².

Requisitos

• Python 3.x
• pandas
• numpy
• matplotlib
• seaborn
• scikit-learn

Uso

1. Descarga el dataset IBM.csv y colócalo en la ruta C:\pratics\Data_Science\Dataset\.
2. Ejecuta el notebook IBM-Proyect.ipynb en VS Code.
3. Sigue las celdas para explorar, visualizar y modelar los datos.

Objetivo

Identificar los factores clave que afectan la rotación y satisfacción de los empleados, proporcionando visualizaciones y modelos predictivos útiles para la toma de decisiones en recursos humanos.

github.com/santiagomalak

======= Santiago Arrgano Malak

MAIl: [email protected]

GitHub: https://github.com/santiagomalak

Linkedin: https://www.linkedin.com/in/aragonmalak/