OpenClassrooms · P4 · Validated project
Understanding employee attrition
Comparing classifiers and explaining predictions in an attrition use case.
Data→Classification→Explanation
The work
Prédire le départ d’employés à partir de données RH, en tenant compte du déséquilibre de classes et du compromis entre détection et fausses alertes.
- Exploration et rapprochement de trois sources RH ; préparation des variables dans un pipeline ; comparaison de régression logistique, SVM, LightGBM, KNN et dummy.
- Sélection fondée sur la validation croisée ; analyse des métriques de classification et production d’un modèle exporté.
Available results
- Le notebook consulté rapporte pour la régression logistique une AUC CV d’environ 0,832 et une AUC test d’environ 0,788.
- Sur son split de 368 lignes, la matrice de confusion indique 31 vrais positifs et 17 faux négatifs : rappel de 31/48, soit environ 64,6 %. Ce résultat appartient à ce split, pas à toutes les versions du projet.
Results and feedback preserved in the 9 October 2026 audit. They were not reproduced while preparing this portfolio.
What I take away
La performance n’est pas un pourcentage unique : un modèle peut avoir une AUC correcte et manquer encore une partie importante des départs.
Limitations and next steps
- Le README de l’API P5 évoque un autre jeu de test : ne pas mélanger les chiffres des deux versions.
- Les facteurs SHAP doivent provenir du notebook ou du dashboard, sans reprendre automatiquement une liste générique du README.