员工离职风险预测系统：Stacking与XGBoost集成预警模型
本文基于14,999条企业人力资源记录，对比逻辑回归、LDA、决策树、随机森林、AdaBoost、GBDT、XGBoost、Stacking、线性SVM、RBF SVM、多层感知机共11种机器学习方法预测员工离职风险。结论显示Stacking集成模型AUC达0.9922、准确率98.28%；XGBoost稳定性最强（AUC标准差0.0013）。特征重要性分析表明员工满意度与工龄合计贡献超66%的离职解释力。研究开发了Streamlit交互预警应用，实现秒级风险评估、风险分级与干预建议输出。
