使用Bagging算法提高预测精度，以评估

55.6470 0.0000002生产率133.9668 0.0000007劳动效率效率187.5764 0.0000008基础生产51.2168 0.0000004激励工资83.2093 0.0000006生产实现27.1449 0.000140 5单元11.7627 0.301250 12产品6.4121 0.601180 10运行时间6.3258 0.610790 11机器0.7942 0.672260 9表1：特征选择。引用：Saad HR（2018）使用Bagging算法提高预测准确性，以评估生产公司的员工绩效。工业7:257。

doi:10.4172/2169-0316.1000257第7卷第5页o第2期o1000257独立管理，开放获取日志SN:2169-0316增益图-响应/总响应%累积选择的评估类别：平均基线BoostTreeModel CHAIDModel ExtreatveChaidModel RandomForestModel0 10 20 30 40 50 60 70 80 90 100%增益图01020304040506070809010增益图-响应/总响应%累积选择的评估类别：良好基线BoostTreeModel CHAIDModelExtreatveChaidModel RandomForestModel010 203040 50 60 70 80 90 100百分位数010203040506070809010增益图-响应/总响应%累积选择的评估类别：卓越基线增强模型CHAIDModel ExtreatveChaidModel RandomForestModel0 10 20 30 40 50 60 70 80 90 100百分位数010203040506070809010增益图4：平均、良好和优秀分类的增益图阳离子。评估投票预测平均投票预测良好投票预测优秀行总数平均27 0 0 27列百分比96.43%0.00%0.00%行百分比100.00%0.00%0.00%总数百分比22.69%0.00%0.00%0.00%22.69%计数良好0 62 0 62列百分比0.00%100.00%0.00%行百分比0.00%100.00%0.00%总数百分比0.00%52.10%0.00%52.10%优秀1 0 29列百分比3.57%0.00%100.00%行百分比3.33%0.00%96.67%总百分比0.84%0.00%24.37%25.21%计算所有GRP 286211929%23.53%52.10%24.37%表3：频率汇总。引用：Saad HR（2018）使用Bagging算法提高预测准确性，以评估生产公司的员工绩效。工业7:257。doi:10.4172/2169-0316.1000257第7卷第6页o第2期o1000257Ind Eng Manage，一种开放存取日志SN:2169-0316处于0.997585和1之间的曲线下。CHAID模型给出了一个高水平的规范城市和敏感度阳离子水平。

平均、良好和优秀等级曲线下的面积阳离子等于1。然而，详尽的CHAID模型只给出了最高的规格城市和敏感度良好阳离子等于1。A.因此，灵敏度和特异性的高值城市来源于随机森林模型，曲线下的值分别为0.997585、0.998585、0.997753。嗯，增强树模型给出的曲线下面积比其他模型小，但它也有很高的灵敏度和特异性城市（图5）。表4显示了di曲线下的面积埃伦特经典酒店使用di的CATIONLevel不同的决策树模型所有的决策树模型都取得了很好的精度，这种精度有助于bagging算法根据以前模型的精度建立新的精度，从而获得较高的精度。e最高管理层做出正确决策的准确率为99.16%。表5显示了决策树和Bagging算法的每种算法的准确性。准确度值在94.21%到98.35%之间，Baggingalgorithm将准确度提高到99.16%。

因此，集成学习是一种用于提高准确性的好策略，但为了提高准确性，我们应该关注以下几点：用于评估的接收器操作特征曲线（优秀）基线增强曲线下的模型面积：0.993071 CHAIDModel曲线下的面积：1.000000 ExtreatveChaidModel曲线下的面积：0.992135 RandomForestModel曲线下的面积：0.997753-0.0.2 0.4 0.6 0.8 1.0 1.21-特异性-0.20.00.20.40.60.81.01.2敏感性受体评估的操作特征曲线（良好）基线增强模型曲线下面积：0.996604 CHAIDModel曲线下面积：1.000000 ExtreatveChaidModel曲线下面积：1.000000 RandomForestModel曲线下面积：0.998585-0.20.0.2 0.0.2 0.4 0.6 0.8 1.0 1.21-特异性-0.20.00.20.40.60.81.01.2敏感性受试者评估的操作特征曲线（平均）基线增强模型曲线下面积：0.998994 CHAIDModel曲线下面积：1.000000 ExtreatveChaidModel曲线下面积：0.991546 RandomForestModel曲线下面积：0.997585-0.20.0.0.2 0.4 0.6 0.8 1.0 1.21-特异性-0.20.00.20.40.60.81.01.2敏感性图5：显示不同分类的ROC曲线阳离子。算法的曲线下面积平均优良优良树模型0.996994 0.996604 0.993071链模型1 1穷举查德模型0.991545 1 0.992135随机森林模型0.997585 0.998585 0.997753表4：曲线下面积的ROC结果。算法总体准确率随机森林94.21%增强树95.87%交互树95.87%查德树98.35%投票或装袋99.16%表5：每种算法的准确率。引用：Saad HR（2018）使用Bagging算法提高预测准确性，以评估生产公司的员工绩效。工业7:257。

doi:10.4172/2169-0316.1000257第7页，共7卷o第2期o1000257Ind Eng Manage，一本开放获取的日志SN:2169-03161。 选择一个能够处理所有数据集的健壮算法。2. 删除与输出有弱关系的弱变量。3. 使用合适的方法预处理数据过滤数据是否有任何噪声或弱相关性。4. 使用基于合适算法的集成学习。结论和公司未来的工作管理可以为每位员工建立稳健的预测，并通过关注关键因素为评估支付适当的费用。在这项研究中，七个变量用于预测最终评估；操作员、职称、徽章号、生产率、劳动生产率效率、基本产量、激励工资和实现的产量。使用筛选功能忽略了四个变量，变量是；单位、产品、运行时间和机器。四种算法得到了高精度的结果和很小的误差率。在这项研究中，变量之间的密切关系能够给出一个合理的评估。Bagging算法具有很高的精度，但如果不使用合适的算法（如决策树），就无法实现这种精度。CHAID模型给出了一个非常高级的规范城市和敏感度，所以它提供了基线和模型曲线之间的最高空间。根据结果，管理层可以通过集中精力解决问题来做出正确的决策错误率非常小的变量。例如，基于生产率、职称、劳动力和就业率的评估是优秀的以及基本生产变量。根据生产率、劳动生产率和是的，还有BadgeNo。在今后的工作中；我们需要收集di不同类型的非线性数据，并在机器学习之外应用更多的数据挖掘算法，从复杂的生产过程中获取更多变量之间的关系。参考文献1。

Saad H，Nagarur N（2017）利比亚乳腺癌早期检测和临床阶段的数据分析。工业与系统工程学会第六届年度世界会议论文集，弗吉尼亚州赫恩登。Nirmala G，Mallikarjuna IIPB（2014）使用数据挖掘的教师绩效评估。国际科技杂志2:87-91.3。Kotalwar R，Chavan R，Gandhi S，Parmar V（2014）数据挖掘：评估员工使用Classi的绩效基于决策树的数据挖掘算法。工程科技4:29-35.4。Kirimi JM，Motur CA（2016）数据挖掘分类的应用员工绩效预测中的阳离子。Int J Com应用程序146:28-35.5。Krogh A，Vedelsby J（1995）神经网络集成，交叉验证和主动学习。编辑：Touretzky DS、Tesauro G和Leen TK。NIPS第七届神经信息处理系统国际会议论文集。神经信息处理系统的进展，第231-238.6页。布赖曼L（1994）套袋预测因子，技术报告421，加利福尼亚大学统计系，伯克利。7.Dieterich T（2000）构建决策树集合的三种方法的实验比较：Bagging、Boosting和随机化，机器学习40:139-158.8。Freund Y，Schapire R（1996）用一种新的Boosting算法进行了实验。第十三届机器学习国际会议论文集pp:148-156.9。Rokach L，Maimon O（2014）基于决策树的数据挖掘：理论与应用。机器感知与艺术系列社会情报，世界科学c出版公司10。Deshpande B（2011）使用决策树进行预测分析的四个关键优势。