retainiq-data
收藏资源简介：
本数据集是IBM HR Analytics Employee Attrition & Performance数据集，作为RetainIQ（员工流失预测）项目的训练数据使用。该数据集由IBM数据科学家创建，是完全合成的虚构数据，用于展示IBM Watson Analytics在人力资源流失分析方面的能力，并非从真实的人力资源运营中收集。数据集包含1,470行（每位虚构员工对应一行）和35列。预测目标为二元分类变量Attrition（流失与否），其中正例（Yes）占比16.1%，数据存在不平衡。数据集中无缺失值，但包含受保护属性，如年龄、性别和婚姻状况。数据字段涵盖多个维度：包括标识符（EmployeeNumber）、常量列（如EmployeeCount）、人口统计信息、教育背景（如教育程度、教育领域）、职位与组织信息（如部门、岗位、出差频率、加班情况）、薪酬（如月收入、时薪、加薪比例）、任期与工作历史（如总工作年限、在公司年限、晋升后年限）、参与度与满意度评分（如工作满意度、环境满意度、工作生活平衡，均为1-4或1-5的序数等级）以及其他信息（如通勤距离）。需注意，许多数值列（如满意度评分）本质上是编码的序数分类变量，而非连续量。该数据集主要用于AI治理课程中的端到端机器学习和公平性分析教学。由于数据是合成的，其模式是人为设计的，因此从中得出的任何结论都不应被视为对现实世界员工流失驱动因素的真实主张。数据集公开可用，但具体的许可证条款较为宽松。
This dataset is the IBM HR Analytics Employee Attrition & Performance dataset, used as training data for the RetainIQ (Employee Attrition Prediction) project. It was created by IBM data scientists and is entirely synthetic fictional data, designed to demonstrate the capabilities of IBM Watson Analytics in HR attrition analysis, and is not collected from real HR operations. The dataset contains 1,470 rows (one for each fictional employee) and 35 columns. The prediction target is the binary classification variable Attrition (whether attrition occurs or not), with the positive class (Yes) accounting for 16.1%, indicating data imbalance. There are no missing values in the dataset, but it includes protected attributes such as age, gender, and marital status. The data fields cover multiple dimensions: including identifiers (EmployeeNumber), constant columns (e.g., EmployeeCount), demographic information, educational background (e.g., education level, field of education), job and organizational information (e.g., department, job role, business travel frequency, overtime), compensation (e.g., monthly income, hourly rate, salary hike percentage), tenure and work history (e.g., total working years, years at the company, years since last promotion), engagement and satisfaction scores (e.g., job satisfaction, environment satisfaction, work-life balance, all on ordinal scales of 1-4 or 1-5), and other information (e.g., distance from home). Note that many numerical columns (e.g., satisfaction scores) are essentially encoded ordinal categorical variables rather than continuous quantities. This dataset is primarily used for teaching end-to-end machine learning and fairness analysis in AI governance courses. Since the data is synthetic and its patterns are artificially designed, any conclusions drawn from it should not be considered as real claims about real-world drivers of employee attrition. The dataset is publicly available, with relatively permissive licensing terms.
数据集概述：RetainIQ Training Data (IBM HR Attrition, synthetic)
- 数据集名称：IBM HR Analytics Employee Attrition & Performance
- 用途：作为 RetainIQ（员工流失预测）模型的训练数据，用于教学和AI治理课程。
- 规模：1,470 行 × 35 列，每行代表一名（虚构）员工。
- 预测目标：
Attrition（流失），正样本占 16.1%（237 例 Yes / 1,233 例 No），类别不平衡。 - 数据性质：合成数据，由 IBM 数据科学家创建，并非真实员工记录。
- 缺失值：无缺失值。
- 敏感属性：包含年龄（Age）、性别（Gender）、婚姻状况（MaritalStatus）。
- 许可：公开教育用途，具体条款松散（原始来源链接而非重新托管）。
数据构成
- 每行：一个虚构员工，包含 35 个字段。
- 字段分类：
- 目标变量：
Attrition（Yes/No）。 - 标识符（非特征）：
EmployeeNumber（唯一，不连续）。 - 常量/无信息：
EmployeeCount（=1）、StandardHours（=80）、Over18（=Y）。 - 人口统计学/敏感属性：
Age（18–60）、Gender（Female/Male）、MaritalStatus（Single/Married/Divorced）。 - 教育：
Education（1–5，有序）、EducationField（6 类）。 - 角色与组织：
Department（3 类）、JobRole（9 类）、JobLevel（1–5）、BusinessTravel（3 类）、OverTime（Yes/No）。 - 薪酬：
MonthlyIncome（1,009–19,999）、MonthlyRate、DailyRate、HourlyRate、PercentSalaryHike（11–25）、StockOptionLevel（0–3）。 - 任期与历史：
TotalWorkingYears（0–40）、YearsAtCompany、YearsInCurrentRole、YearsSinceLastPromotion、YearsWithCurrManager、NumCompaniesWorked（0–9）、TrainingTimesLastYear（0–6）。 - 敬业度/满意度（1–4 有序量表）：
JobSatisfaction、EnvironmentSatisfaction、JobInvolvement、RelationshipSatisfaction、WorkLifeBalance；PerformanceRating（仅出现 3 或 4）。 - 其他：
DistanceFromHome（1–29）。
- 目标变量：
- 重要说明：许多“数值”列实际上是编码的有序类别（1–4/1–5 量表），而非连续数量。
- 数据质量：无缺失值；
PerformanceRating缺乏低评级；整体过于干净，符合合成数据特征。
数据采集过程
- 采集方式：非真实采集，由 IBM 生成（生成方法未记录）。
- 时间范围/抽样/伦理审查：未记录（对合成数据来说基本无关）。
预处理/清洗/标注
- 分发状态：已清洗，无缺失值，包含数值和类别字段。
- 用于 RetainIQ 的处理：详见仓库中的
DATA_REMEDIATION_LOG.md（包含丢弃、编码、缩放、类别权重、偏差处理等记录）。 - 原始数据保留：保留未修改的规范副本。
用途
- 预期用途（本课程）：通过 RetainIQ 教学生成式机器学习与AI治理（二分类），包括公平性分析。
- 注意事项：
- 数据为合成数据，模式是设计的，不能代表真实世界情况。
- 过度干净整洁可能滋生虚假信心。
- 注意编码量表和
PerformanceRating的异常。
分发与许可
- 可用性：公开于 Kaggle 及多个镜像站点。
- 版权策略：为避免许可模糊，本仓库不重新托管原始文件，仅提供链接。
- 下载地址：https://www.kaggle.com/datasets/pavansubhasht/ibm-hr-analytics-attrition-dataset
- 可复现性：课程保留验证过的本地副本；学习者从上述链接下载同一文件。
维护
- 维护者：无活跃维护者，为静态数据集。
- 本副本：为课程版本化管理，可进行校验和完整性检查。
RetainIQ 关联
该数据集被用作 RetainIQ 训练数据的替代品（代表单一雇主的员工数据）。教学简化说明：真实 RetainIQ 会基于经同意的、真实的、可能来自多个客户的员工数据进行训练，此处明确标注了这一差距而非假装数据集真实。
