万毅斌，王绍宇，秦彦霞

（东华大学 计算机科学与技术学院，上海 201620）

0 引 言

随着中国经济的高速发展，国内各类科技公司不断涌现，传统行业加速转型，许多省市都出台了各种各样的政策来吸引和留住人才，同样对于企业来说如何吸引人才和如何留住人才都是对企业的发展至关重要的。企业员工流失对于企业而言并不是简单人员流失，而会对企业的人事、财务、业务等多方面造成诸多影响，比如已投入费用的损失，流失员工所负责相关工作的临时性中断，流失员工可能会带走企业一些重要客户或关键技术，从而使企业承受巨大损失［1］。

随着员工需求和社会环境的不断变化，不同企业的员工所关心的点也不尽相同。根据调查统计，2020 年国内企业员工离职率为19.8%，其中主动离职率达到了13.4%，相较于过去有明显的升高。

目前很多企业在原有员工数据库的基础上，还通过统计、调查和问卷等方式建立了可用于预测员工离职倾向的数据集，以供人力资源等部门进行预警分类。目前，主流的分类算法，如基于结构风险最小化的SVM 能克服传统分类器局部最优解、过拟合、维数灾难等缺点［2］。但对于企业员工离职倾向预测、疾病诊断、欺诈检测等不平衡数据集的处理上，SVM在训练过程中由于自身的原因，以及数据集存在的界模糊，噪声污染等问题，导致对不平衡数据集的分类效果不佳［3］。为此，Bagging、Boosting、rotation forest 等一些组合算法提出，来解决分类问题中的数据不均衡问题［4］；……