在社会不断进步,企业不断发展的趋势下,员工作为企业中的一个重要组成部分是企业蓬勃发展的关键因素。同时,企业员工也存在一定的离职流动性,根据劳动力市场的相关统计,离职人员中有百分之二十为必然离职,其余为非必然离职,所以预测员工的离职倾向,有利于帮助企业提前做出挽留人才或招聘后备人才的应对决策,减少人才流失带来的损失。当前针对员工离职预测问题大多数研究人员采用单一的模型进行预测,但单一模型在解决员工离职预测问题上的性能有限,对于这一问题本文采用Stacking融合模型对员工离职进行预测。同时为解决原始Stacking算法忽略了基分类器之间的性能差异,进而不能反映基分类器真实拟合效果和泛化能力而影响元分类器训练的问题,本文在原始Stacking算法基础上进行改进,加入了特征加权思想。特征加权思想是通过基分类器在训练过程中的精确率和召回率来对其性能进行评估,并将评估结果归一化为每个基分类器附权重,然后将每个基分类器预测结果与其权重相乘作为元分类器的输入。此改进可以提升性能较好的基分类器在元分类器中的话语权,使其为元分类器提供更多的信息,从而提升模型整体的预测能力。根据Stacking融合模型选用分类器“好而不同”的准则,本文首先选取了6个算法差异度较大的单一模型,分别对他们进行参数调优,并通过评价指标对每个单一模型的预测结果进行对比,从中选出4个预测性能较好的模型作为特征加权Stacking算法的分类器。实验表明,基于特征加权Stacking员工离职预测模型的F1-Score值可达92.30%,且各项指标均比特征加权之前和单一模型有所提升,表明特征加权Stacking算法有较好的预测效果。同时,为了对比基于特征加权Stacking算法的不同组合策略预测效果,列举了四种不同组合策略的员工离职预测模型,结果表明本文构建的基于特征加权Stacking算法下的SXRL组合策略模型预测效果最佳。本文将构建的基于特征加权Stacking算法下的SXRL组合策略模型作为最终员工离职预测模型,并将其与系统开发相结合。按照软件开发流程进行需求分析、详细设计、数据库设计等,建立一个可以预测员工离职倾向的系统,系统主要包括离职预测、预警、员工信息管理、统计分析等功能。