CNN TABANLI DERİN ÖĞRENME VE MAKİNE ÖĞRENMESİ TEKNİKLERİNİN ENTEGRASYONU: İŞTEN AYRILMA TAHMİNLERİNDE YENİ BİR METODOLOJİ

İşgücü devri, organizasyonlar için önemli maliyet ve verimlilik kayıplarına yol açmaktadır. Bu çalışma, işten ayrılma tahminlerini geliştirmek amacıyla, geleneksel istatistiksel modellerin ötesine geçerek makine öğrenimi ve derin öğrenme tekniklerini entegre eden yenilikçi bir yaklaşım sunmaktadır. Çalışma, veri setindeki değişkenleri 2B karekod görüntülerine dönüştürmek suretiyle, CNN tabanlı derin öğrenme modellerinin bu görüntüler üzerinde sınıflandırma yapabilmesini sağlamıştır. Bu yenilikçi adım, derin öğrenme modellerinin görsel veri işleme yeteneklerini kullanarak daha karmaşık veri yapılarını analiz etme potansiyelini ortaya koymaktadır. Araştırma, çeşitli makine öğrenmesi modellerini değerlendirdikten sonra ResNet-18 modeli kullanılarak derin öğrenme tabanlı özellik çıkarımı gerçekleştirilmiştir. Daha sonra, RelieF algoritması kullanılarak seçilen en etkili 10 özelliğe dayanarak optimize edilmiş Hafif Gradyan Artırma (LighhtGBM) modeli, %100 doğruluk, %100 hassasiyet ve %100 F1-skoru gibi mükemmel performans metrikleri elde etmiştir. Bu sonuçlar, bu modelin işten ayrılma tahminlerinde yüksek etkinlik sergilediğini ve insan kaynakları yönetimi pratiğine önemli katkılarda bulunabileceğini göstermektedir.