Tous les projets
CESI · 5e année
Prédiction de l’attrition des employés
Un modèle de machine learning qui prédit les départs d’employés à partir de données RH, avec une analyse éthique des variables sensibles.
Terminéfévr. 2026

Une entreprise fictive, HumanForYou, voit partir une partie de ses employés. À partir des données RH de 4 410 collaborateurs, le projet construit un modèle qui prédit si un employé va quitter l'entreprise, et cherche à comprendre pourquoi. Les départs ne représentent qu'environ 16 % des cas : les classes sont déséquilibrées, ce qui a conduit à juger les modèles sur le F1-score et l'AUC plutôt que sur l'accuracy seule.
Démarche
- 1Préparation des données : fusion de cinq sources (données générales, enquêtes de satisfaction, évaluations des managers, heures d’arrivée et de départ), valeurs manquantes, encodage one-hot et normalisation. Le temps de travail moyen est calculé à partir des pointages
- 2Analyse exploratoire : distributions, corrélations, boîtes à moustaches par groupe
- 3Sept algorithmes comparés sur un découpage 70 / 30 stratifié : régression logistique, perceptron, SVM, naive Bayes, arbre de décision, forêt aléatoire et k-NN
- 4La forêt aléatoire arrive en tête (F1 de 0,944 et AUC de 0,995), devant l’arbre de décision (F1 de 0,905) ; les modèles linéaires, naive Bayes et k-NN restent sous 0,41
- 5Optimisation bayésienne des hyperparamètres de la forêt aléatoire (scikit-optimize), avec validation croisée à cinq plis
- 6Analyse éthique : le genre et le statut marital peuvent être retirés du modèle sans perte de performance, ce qui limite les risques de discrimination et de non-conformité RGPD
- 7Interprétation et recommandations RH à partir de l’importance des variables : le temps de travail moyen arrive en tête, devant l’âge, l’expérience totale et le salaire mensuel

