员工离职风险预测用 Stacking-XGBoost 集成模型效果最佳：在 14999 条 HR 数据上 AUC 达 0.9922、准确率 98.28%，满意度与工龄合计解释超 66% 离职，并配套 Streamlit 预警应用与可复现代码、数据。

探索性数据分析

离职员工占比 23.8%，未离职占比 76.2%，呈轻度不平衡但可接受。对连续变量按离职状态分组画箱线图可见，离职员工平均满意度 0.45 明显低于未离职员工 0.68，且分布更分散，说明低满意度是重要预警信号；绩效两组接近，但离职组高绩效（0.8 以上）比例略高，提示“高能低满意”群体值得关注。

核心模型与方案设计

本文选取 11 种模型：逻辑回归、LDA、决策树、随机森林、AdaBoost、GBDT、XGBoost、Stacking、线性 SVM、RBF SVM、多层感知机。Stacking 以 XGBoost、随机森林、GBDT 为基学习器，逻辑回归做元学习器，用 5 折交叉融合。

特征重要性由 XGBoost 给出：员工满意度与工龄合计贡献超过 66%，项目数量、绩效评估与月平均工时次之，意味着“干得多、满意低、待得久”的员工最易流失。下面用两段对话式提示词分别给出基础模型与集成优化的完整代码。

第一轮对话：基础模型构建
背景：我们手上有 14999 条员工记录，想先跑一个可解释的基线模型看离职规律。目标：完成缺失检查、类别编码与 Z-score 标准化，并用逻辑回归给出基线 AUC。约束：保留原始字段含义，标准化用 Z-score，划分比例 7:3。

第二轮对话：引入集成优化
背景：基线 AUC 只有 0.79，捕捉不到离职里的非线性关系。目标：用 XGBoost 与 Stacking 集成提升区分能力并输出特征重要性。约束：重复 100 次取均值±标准差，Stacking 以 XGBoost、随机森林、GBDT 为基学习器，逻辑回归做元学习器。

实验设置与训练

采用分层 7:3 划分并重复 100 次，以 ACC、AUC、TPR、FPR 四项指标评估。100 次重复的目的正是缓解单次划分的随机波动，给出稳定的均值±标准差。

测试结果与对比

集成学习整体最优：Stacking 的 AUC 达 0.9922、准确率 98.28%、假阳性率仅 0.43%，适合做离职预警核心模型；XGBoost 稳定性最强，AUC 标准差仅 0.0013；神经网络真阳性率最高（95.14%）但假阳性率略高；逻辑回归、LDA 与线性 SVM 的 AUC 均低于 0.81，难以捕捉离职决策中的非线性关系。

表 2：各模型 100 次重复评估性能（按 AUC 排序）

局限性与失败分析

尽管模型效果优异，但仍存在以下六方面局限：

数据为企业横截面快照：原文数据为某一时点记录，不含员工历史轨迹与时间维度，无法刻画离职前的动态演变，预警窗口长度未被实测。

轻度类别不平衡：正样本（离职）占 23.8%，模型以常规分层划分处理，未使用 SMOTE/ADASYN 等重采样，极端少数子类识别能力可能受限。

场景单一：数据来自单一企业，部门、薪资结构具企业特异性，跨企业泛化能力原文未提供验证。

置信区间未直接给出：虽以 100 次重复取均值±标准差缓解波动，但各模型准确率的点估计未附 95% 置信区间，小样本波动难以精确界定。

落地效果未实测：Streamlit 应用给出风险分级与干预建议，但“介入后离职率下降”等业务收益原文未做对照实验验证，属设计目标而非实测结论。

消融实验缺失：原文未提供“去掉某基学习器后 Stacking 性能变化”的消融对比，集成增益主要依据与基线模型的横向比较。

系统实现与落地

基于模型结论，研究提出五项管理动作，并把模型封装为 Streamlit 交互应用，实现“输入特征→秒级返回离职概率→风险分级→干预建议”的闭环。

表 3：员工离职风险管理建议

表 4：应用价值总结

配套工具与资源

依赖环境（requirements.txt 参考）：pandas、scikit-learn、xgboost、streamlit。示例运行命令（以代码包实际接口为准）：streamlit run app.py。完整代码、数据与配套 AI Agent、skill 请阅读原文链接获取。

结论与展望

员工离职风险预测用 Stacking-XGBoost 集成模型效果最佳：Stacking 的 AUC 达 0.9922、准确率 98.28%，较基线逻辑回归提升约 0.20；满意度与工龄合计贡献超 66% 的解释力，干预资源应优先投向满意度提升与新员工留存；Streamlit 应用支持秒级评估与彩色分级，部署成本低，可直接嵌入企业现有 HR 流程。后续可扩展批量 Excel 上传、SHAP 个体解释、企业微信/钉钉定时预警推送。

常见问题 FAQ

Q1：员工离职预测用什么模型效果最好？本文对比 11 种模型，集成学习整体最优。Stacking 的 AUC 达 0.9922、准确率 98.28%，XGBoost 稳定性最强（AUC 标准差 0.0013），二者均可作为预警核心模型。

Q2：Stacking 和 XGBoost 该选哪个？追求最高区分能力选 Stacking（AUC 0.9922）；追求训练稳定与可解释选 XGBoost（AUC 标准差仅 0.0013）。两者均显著优于逻辑回归等线性模型。

Q3：哪些特征对离职影响最大？XGBoost 特征重要性显示，员工满意度与工龄合计贡献超过 66%，项目数量、绩效评估与月平均工时次之。

Q4：员工离职数据不平衡怎么处理？本文数据离职样本占 23.8%，采用常规分层 7:3 划分处理，未使用 SMOTE/ADASYN；若少数类识别不足，可参考 ADASYN 动态采样方案。

Q5：离职预测模型准确率多少？Stacking 准确率 98.28%、AUC 0.9922；XGBoost 准确率 97.89%。指标均来自 100 次重复评估的均值。

Q6：如何用 Python 复现离职预测？流程为读取 HR.csv→类别编码与 Z-score 标准化→分层 7:3 划分→训练逻辑回归基线或 Stacking 集成→100 次重复取 AUC 均值±标准差。依赖 pandas、scikit-learn、xgboost。

Q7：特征重要性怎么解读？特征重要性反映该变量对离职标签的区分贡献。满意度与工龄贡献最高，说明“低满意+长工龄”员工最易流失，应优先干预。

Q8：Streamlit 离职预警应用怎么部署？用 streamlit run app.py 启动，输入员工特征即返回离职概率与风险等级（高>0.7、中 0.4–0.7、低<0.4）及干预建议；以开源框架为主，部署成本低。

Q9：满意度低一定离职吗？不一定。离职是满意度、工龄、项目数、绩效、月工时等多因素共同作用的结果，模型以概率而非单因子判定，满意度低是强信号但需综合评分。

Q10：模型多久需要重新训练？原文未明确重训周期。建议随组织结构与人员流动变化定期（如每季度）用新数据重训，并保持分层评估监控 AUC 漂移。

Q11：14999 条数据量够吗？对单企业离职预测属中等规模，配合 100 次重复评估可得稳定结论；但跨企业泛化需更大样本，原文未做验证。

Q12：离职预测模型落地有哪些局限？数据为企业横截面快照、场景单一、置信区间未直接给出、落地干预效果未实测、消融实验缺失，详见“局限性与失败分析”章节。

参考文献与延伸阅读

原文未附独立参考文献列表。延伸阅读可参见拓端相关文章《Python开发逻辑回归-随机森林-XGBoost模型进行职员离职预测》。

附录：全文脉络与目录

数据输入 → 预处理 → 探索性分析 → 基线模型与集成模型对比 → 性能对比与特征重要性 → 管理建议与Web应用落地。

作者声明

作者系人力资源数据分析方向分析师，拥有多年机器学习建模与业务落地经验。本文完整代码、数据与配套AI Agent、skill请阅读原文链接获取。