CD_44 Original + Derivados

CD_44: IBM HR Employee Attrition

Conjunto de datos de Recursos Humanos para la predicción del abandono laboral. Integra perfiles demográficos, métricas financieras y escalas ordinales de satisfacción.

📈 Eficacia Predictiva Detallada

Comparación detallada de las métricas de clasificación para los modelos entrenados con el conjunto de datos original y el conjunto sintético generado.

🏆 MEJOR RENDIMIENTO

📊 Conjunto Original

Clase	Precisión	Recall	F1-Score	Soporte
Clase 0	0.88	0.95	0.91	247
Clase 1	0.54	0.32	0.40	47
Accuracy	0.85
Macro Avg	0.71	0.63	0.66	294
Weighted Avg	0.82	0.85	0.83	294

AUC-ROC: 0.76

F1-Score (weighted): 0.83

Accuracy: 0.85

⬇️ Degradación

⬇ -0.03 AUC ⬇ -0.03 F1 ⬇ -0.06 Acc

🔮 Conjunto Sintético

Clase	Precisión	Recall	F1-Score	Soporte
Clase 0	0.89	0.85	0.87	247
Clase 1	0.38 ⬇ -0.16	0.47 ⬆ +0.15	0.42 ⬆ +0.02	47
Accuracy	0.79 ⬇ -0.06
Macro Avg	0.64 ⬇ -0.07	0.66 ⬆ +0.03	0.65 ⬇ -0.01	294
Weighted Avg	0.81 ⬇ -0.01	0.79 ⬇ -0.06	0.80 ⬇ -0.03	294

AUC-ROC: 0.73 ⬇ -0.03

F1-Score (weighted): 0.80 ⬇ -0.03

Accuracy: 0.79 ⬇ -0.06

📊 Resumen de Cambios en Clase Minoritaria (Clase 1)

🎯

Precisión

Original: 0.54

Sintético: 0.38

⬇ -0.16

📈

Recall

Original: 0.32

Sintético: 0.47

⬆ +0.15

⚖️

F1-Score

Original: 0.40

Sintético: 0.42

⬆ +0.02

📚 Fuente Original del Conjunto

Employee Attrition Dataset (HR Analytics)

v1.0

IBM Watson Analytics / Datos de Recursos Humanos

Disponible en repositorios públicos

Repositorio: Kaggle / IBM Watson Analytics

DOI: No disponible

URL: Kaggle - IBM HR Analytics Attrition

Licencia: Uso académico y de investigación

Tipo de problema: Clasificación binaria (Attrition = Yes/No)

Área de aplicación: Recursos Humanos, Gestión de Talento, Retención de Empleados

📄 Resumen (Abstract)

El conjunto de datos de Rotación de Empleados (Employee Attrition) contiene información sobre empleados actuales y anteriores de una empresa. El objetivo es determinar qué factores mantienen a los empleados en la compañía y cuáles promueven la salida de otros. Como analista de Recursos Humanos (HR), se necesita identificar qué factores se pueden cambiar para prevenir la pérdida de talento valioso. Este dataset permite comprender cómo se relacionan los diferentes factores con la rotación de personal (attrition), permitiendo a la organización atraer y retener a los mejores talentos.

🏢 Contexto del Dominio

La rotación de empleados es uno de los desafíos más significativos para las organizaciones modernas. La clave del éxito en cualquier organización es atraer y retener talento de alto nivel. Este dataset, utilizado en un caso de uso de Watson Analytics, permite a los analistas de RRHH:

Identificar factores predictivos de la rotación de empleados
Comprender cómo variables como satisfacción, involucramiento y equilibrio afectan la retención
Tomar decisiones basadas en datos para mejorar la retención
Prevenir la pérdida de empleados valiosos y reducir costos de contratación

📊 Descripción de Datos

El dataset contiene información de empleados con variables que incluyen datos demográficos, nivel educativo, satisfacción laboral, involucramiento, evaluación de desempeño, satisfacción con relaciones y equilibrio vida-trabajo, entre otras. La variable objetivo es Attrition, que indica si el empleado sigue en la empresa o ha dejado la organización.

📋 Variables del Dataset

Variable	Tipo	Descripción	Codificación / Escala
A. Datos Demográficos
Age	Numérica	Edad del empleado	años
Gender	Categórica	Género del empleado	Male / Female
MaritalStatus	Categórica	Estado civil	Single, Married, Divorced
Education	Ordinal	Nivel educativo	1 = Below College 2 = College 3 = Bachelor 4 = Master 5 = Doctor
EducationField	Categórica	Campo de estudio	Life Sciences, Medical, Marketing, etc.
B. Datos Laborales
Department	Categórica	Departamento de trabajo	Sales, Research & Development, Human Resources
JobRole	Categórica	Rol del puesto	Manager, Executive, Sales Executive, etc.
JobLevel	Ordinal	Nivel del puesto	1-5
YearsAtCompany	Numérica	Años en la empresa	años
YearsInCurrentRole	Numérica	Años en el rol actual	años
YearsWithCurrManager	Numérica	Años con el gerente actual	años
C. Satisfacción y Compromiso
EnvironmentSatisfaction	Ordinal	Satisfacción con el ambiente laboral	1 = Low 2 = Medium 3 = High 4 = Very High
JobInvolvement	Ordinal	Nivel de involucramiento en el trabajo	1 = Low 2 = Medium 3 = High 4 = Very High
JobSatisfaction	Ordinal	Satisfacción con el trabajo	1 = Low 2 = Medium 3 = High 4 = Very High
PerformanceRating	Ordinal	Evaluación de desempeño	1 = Low 2 = Good 3 = Excellent 4 = Outstanding
RelationshipSatisfaction	Ordinal	Satisfacción con las relaciones laborales	1 = Low 2 = Medium 3 = High 4 = Very High
WorkLifeBalance	Ordinal	Equilibrio entre vida personal y laboral	1 = Bad 2 = Good 3 = Better 4 = Best
D. Otras Variables
MonthlyIncome	Numérica	Ingreso mensual	unidades monetarias
StockOptionLevel	Ordinal	Nivel de opciones de acciones	0-3
OverTime	Binaria	¿Trabaja horas extras?	Yes / No
NumCompaniesWorked	Numérica	Número de empresas anteriores	-
E. Variable Objetivo
Attrition	Binaria (Target)	Indica si el empleado ha dejado la empresa	Yes = Dejó la empresa No = Permanece en la empresa

📊 Escalas de Satisfacción y Desempeño

Variable	1	2	3	4
Education	Below College	College	Bachelor	Master
EnvironmentSatisfaction	Low	Medium	High	Very High
JobInvolvement	Low	Medium	High	Very High
JobSatisfaction	Low	Medium	High	Very High
PerformanceRating	Low	Good	Excellent	Outstanding
RelationshipSatisfaction	Low	Medium	High	Very High
WorkLifeBalance	Bad	Good	Better	Best

Nota: Education tiene 5 niveles (incluye Doctor como 5).

📋 Características del Dataset

Tipo de problema: Clasificación binaria (Attrition = Yes/No)
Dimensión: Multivariante
Tipo de características: Mixtas (Numéricas, Categóricas, Ordinales)
Valores faltantes: No reportados
Área de aplicación: Recursos Humanos, Gestión de Talento, Retención de Empleados
Contexto: IBM Watson Analytics Use Case

🙏 Agradecimientos

Este conjunto de datos se basa en el caso de uso de Watson Analytics para Recursos Humanos:

Watson Analytics Use Case for HR: Retaining Valuable Employees

⚖️ Ética y Privacidad

El conjunto de datos contiene información demográfica y laboral que podría considerarse sensible. Los datos han sido anonimizados y no contienen información personal identificable como nombres, direcciones o números de identificación. Restricción de confidencialidad: El uso de los datos está restringido a fines académicos y de investigación. La publicación de resultados debe limitarse a métricas de evaluación, resultados agregados y metodología del modelo, sin divulgación de información que permita la reidentificación de empleados.

📋 Notas de Uso

Este conjunto de datos es ideal para análisis de retención de empleados y predicción de rotación. Se recomienda:

La variable objetivo Attrition está codificada como Yes (dejó la empresa) y No (permanece en la empresa)
Las variables de satisfacción (EnvironmentSatisfaction, JobSatisfaction, RelationshipSatisfaction) y WorkLifeBalance son ordinales (1-4)
Education es ordinal con 5 niveles (1 = Below College a 5 = Doctor)
PerformanceRating es ordinal con 4 niveles (1 = Low a 4 = Outstanding)
Codificar variables categóricas:
- Gender: Label Encoding (Male/Female → 1/0)
- MaritalStatus: One-Hot Encoding
- Department: One-Hot Encoding
- JobRole: One-Hot Encoding
- EducationField: One-Hot Encoding
- OverTime: Label Encoding (Yes/No → 1/0)
Las variables ordinales pueden tratarse como numéricas continuas o como categóricas ordenadas según el enfoque
Estandarizar/normalizar variables numéricas (Age, MonthlyIncome, YearsAtCompany, etc.)
Las variables de satisfacción y equilibrio suelen ser predictores importantes de la rotación
OverTime (horas extras) es frecuentemente un factor clave en la decisión de dejar la empresa
Utilizar validación cruzada estratificada debido al posible desbalanceo entre clases (generalmente más empleados se quedan que se van)

💡 Importancia en Recursos Humanos

La predicción de rotación de empleados es una de las aplicaciones más valiosas del aprendizaje automático en el ámbito de Recursos Humanos. El costo de la rotación de empleados es significativo para las organizaciones:

El costo de reemplazar a un empleado puede ser de 50% a 200% de su salario anual
La pérdida de conocimiento y experiencia afecta la productividad y la innovación
La rotación frecuente impacta negativamente en la moral y cultura organizacional
La predicción temprana permite intervenciones para retener a empleados valiosos

Este dataset, basado en el caso de uso de Watson Analytics, ha sido fundamental para demostrar cómo el análisis predictivo puede ayudar a las organizaciones a identificar factores de retención y prevenir la pérdida de talento.

📖 Cómo citar la fuente original

IBM HR Analytics Employee Attrition Dataset. Kaggle / IBM Watson Analytics. https://www.kaggle.com/datasets/pavansubhasht/ibm-hr-analytics-attrition-dataset

📚 Referencias Adicionales

IBM Watson Analytics - Use Case for HR: Retaining Valuable Employees. https://www.ibm.com/communities/analytics/watson-analytics-blog/watson-analytics-use-case-for-hr-retaining-valuable-employees/
Kaggle - IBM HR Analytics Attrition Dataset. https://www.kaggle.com/datasets/pavansubhasht/ibm-hr-analytics-attrition-dataset
Hom, P. W., Lee, T. W., Shaw, J. D., & Hausknecht, J. P. (2017). One hundred years of employee turnover theory and research. Journal of Applied Psychology, 102(3), 530-545.
Allen, D. G., Bryant, P. C., & Vardaman, J. M. (2010). Retaining talent: Replacing misconceptions with evidence-based strategies. Academy of Management Perspectives, 24(2), 48-64.

🔄 Transformaciones Aplicadas

Modificaciones realizadas al conjunto original (HR Employee Attrition - IBM)

Limpieza inicial y eliminación de variables:
- Eliminación de columnas constantes (varianza 0): EmployeeCount, Over18, StandardHours — variables sin poder predictivo.
- Eliminación de identificador: EmployeeNumber (identificador único de empleado) para evitar sobreajuste.
- Reducción de la dimensionalidad del dataset para mejorar la eficiencia del modelo.
Codificación de la variable objetivo:
- Transformación de Attrition de texto a binaria: 'No' → 0 (El empleado permanece), 'Yes' → 1 (El empleado abandonó la empresa).
- Documentación del objetivo: predicción de deserción laboral.
Codificación de variable ordinal específica:
- BusinessTravel: Mapeo preservando orden lógico de frecuencia de viajes: 'Non-Travel' → 0, 'Travel_Rarely' → 1, 'Travel_Frequently' → 2.
- Documentación detallada del mapeo ordinal en la leyenda.
Codificación de variables categóricas restantes:
- Transformación de 10 variables categóricas a valores numéricos mediante Label Encoding: Gender, OverTime, MaritalStatus, Department, EducationField, JobRole, entre otras.
- Generación de mapeo completo (código → valor original) en la leyenda para todas las variables categóricas.
- Preservación de la semántica original a través de la documentación.
Preservación y documentación de variables numéricas/ordinales:
- Escalas 1-4 (Satisfacción/Rating): EnvironmentSatisfaction, JobInvolvement, JobSatisfaction, RelationshipSatisfaction, WorkLifeBalance (1=Low/Bad, 4=Very High/Best), PerformanceRating (3=Excellent, 4=Outstanding).
- Escalas 1-5: Education (1=Below College... 5=Doctor), JobLevel.
- Variables continuas: Age, DailyRate, DistanceFromHome, HourlyRate, MonthlyIncome, MonthlyRate, NumCompaniesWorked, PercentSalaryHike, TotalWorkingYears, YearsAtCompany, YearsInCurrentRole, YearsSinceLastPromotion, YearsWithCurrManager.
- Documentación detallada de todas las variables con sus escalas y significados.
Generación de documentación completa:
- Creación del archivo leyenda_hr_attrition.txt con semántica completa de la variable objetivo y todas las variables predictoras.
- Documentación de la eliminación de columnas constantes para transparencia metodológica.
- Mapeo completo de variables categóricas codificadas (10 variables) con sus valores originales.
- Descripción detallada de variables numéricas/ordinales con sus escalas (1-4, 1-5, continuas).
- Contextualización del dataset: predicción de deserción laboral en IBM.
- Estadísticas finales: total de instancias y tasa de attrition.
Preservación de la estructura y calidad de datos:
- Mantenimiento de las 1,470 instancias (empleados) originales sin eliminación de filas.
- Dataset final con 30 variables predictoras (mixtas: ordinales, categóricas codificadas y numéricas) y 1 variable objetivo binaria.
- Guardado en formato CSV con separador punto y coma (;) para compatibilidad internacional.

📊 Resultado: Dataset de 1,470 empleados de IBM con 30 variables predictoras (demográficas, laborales, de satisfacción y de compensación) y 1 variable objetivo binaria (Attrition). Desbalance moderado (~84% retención / ~16% deserción) — escenario ideal para validación de técnicas de generación de datos sintéticos y evaluación del índice TabDSFidelity en contextos de gestión de talento y predicción de rotación laboral, donde factores como satisfacción, compensación, antigüedad y desarrollo profesional son determinantes.

🏢 Fuente: IBM HR Analytics Employee Attrition & Performance Dataset (IBM Watson Analytics).

📊 Variables de satisfacción (1-4): EnvironmentSatisfaction, JobInvolvement, JobSatisfaction, RelationshipSatisfaction, WorkLifeBalance — 1=Low/Bad, 4=Very High/Best.

💰 Variables de compensación: MonthlyIncome, DailyRate, HourlyRate, MonthlyRate, PercentSalaryHike.

⏱️ Variables de antigüedad: YearsAtCompany, TotalWorkingYears, NumCompaniesWorked, YearsInCurrentRole, YearsSinceLastPromotion, YearsWithCurrManager.

📁 Leyenda disponible: Archivo leyenda_hr_attrition.txt con mapeo completo de variables categóricas (10 variables), documentación de escalas ordinales y variables numéricas.

🎯 Variable objetivo: Attrition (1 = Empleado abandonó la empresa, 0 = Empleado permanece).

🧹 Limpieza aplicada: Eliminación de columnas constantes (EmployeeCount, Over18, StandardHours), eliminación de EmployeeNumber, codificación de target, codificación ordinal de BusinessTravel, Label Encoding de 10 variables categóricas.

📋 Diccionario de Datos Detallado

Variable	Descripción de RR.HH.	Tipo	Rango / Categorías	Unidad	¿Objetivo?
`BusinessTravel`	Frecuencia de viajes de negocio	Categórico	0: No viaja, 1: Raramente, 2: Frecuentemente	N/A	No
`Department`	Departamento de la empresa	Categórico	0: HR, 1: R&D, 2: Sales	N/A	No
`Education`	Nivel educativo (ordinal)	Categórico	1: Below College, 2: College, 3: Bachelor, 4: Master, 5: Doctor	N/A	No
`EducationField`	Campo de estudio del empleado	Categórico	0: HR, 1: Life Sciences, 2: Marketing, 3: Medical, 4: Other, 5: Technical Degree	N/A	No
`EnvironmentSatisfaction`	Satisfacción con el entorno laboral	Categórico	1: Bajo, 2: Medio, 3: Alto, 4: Muy Alto	N/A	No
`JobInvolvement`	Nivel de implicación en el trabajo	Categórico	1: Bajo, 2: Medio, 3: Alto, 4: Muy Alto	N/A	No
`JobLevel`	Nivel del puesto (jerarquía)	Categórico	1-5 (nivel jerárquico)	N/A	No
`JobRole`	Rol / Puesto específico	Categórico	0-8 (ver leyenda)	N/A	No
`JobSatisfaction`	Satisfacción general con el trabajo	Categórico	1: Bajo, 2: Medio, 3: Alto, 4: Muy Alto	N/A	No
`MaritalStatus`	Estado civil del empleado	Categórico	0: Divorciado, 1: Casado, 2: Soltero	N/A	No
`PerformanceRating`	Calificación de desempeño	Categórico	3: Excelente, 4: Sobresaliente	N/A	No
`RelationshipSatisfaction`	Satisfacción con relaciones laborales	Categórico	1: Bajo, 2: Medio, 3: Alto, 4: Muy Alto	N/A	No
`StockOptionLevel`	Nivel de opciones sobre acciones	Categórico	0: Sin opciones, 1: Nivel 1, 2: Nivel 2, 3: Nivel 3	N/A	No
`TrainingTimesLastYear`	Capacitaciones recibidas en el último año	Categórico	0-6 (número de capacitaciones)	N/A	No
`WorkLifeBalance`	Equilibrio entre vida y trabajo	Categórico	1: Malo, 2: Regular, 3: Bueno, 4: Excelente	N/A	No
`Age`	Edad del empleado	Numérico	18 - 60	años	No
`DailyRate`	Tarifa diaria del empleado	Numérico	103 - 1,495	moneda	No
`DistanceFromHome`	Distancia desde el hogar al trabajo	Numérico	1 - 29	km	No
`HourlyRate`	Tarifa por hora del empleado	Numérico	30 - 100	moneda	No
`MonthlyIncome`	Ingreso mensual del empleado	Numérico	1,009 - 19,973	moneda	No
`MonthlyRate`	Tarifa mensual del empleado	Numérico	2,094 - 26,999	moneda	No
`NumCompaniesWorked`	Número de empresas donde trabajó	Numérico	0 - 9	empresas	No
`PercentSalaryHike`	Porcentaje de aumento salarial	Numérico	11 - 25	%	No
`TotalWorkingYears`	Años totales de experiencia laboral	Numérico	0 - 40	años	No
`YearsAtCompany`	Años en la empresa actual	Numérico	0 - 36	años	No
`YearsInCurrentRole`	Años en el puesto actual	Numérico	0 - 17	años	No
`YearsSinceLastPromotion`	Años desde la última promoción	Numérico	0 - 15	años	No
`YearsWithCurrManager`	Años con el jefe actual	Numérico	0 - 17	años	No
`Gender`	Género del empleado	Binario	0: Femenino, 1: Masculino	N/A	No
`OverTime`	Realiza horas extras	Binario	0: No, 1: Sí	N/A	No
`Attrition`	Deserción del empleado (objetivo)	Binario	0: Permanece, 1: Abandona	N/A	Sí

31 Variables totales

13 Numéricas

15 Categóricas

3 Binarias

Objetivo: Deserción (Attrition)

Datos ausentes: 0%

📈 Distribución de la variable objetivo en el conjunto original

📖 Leyenda de Variables Categóricas

Esta sección detalla los códigos y significados de las variables categóricas y binarias presentes en el conjunto de datos de Deserción de Empleados de IBM HR. Comprender estas codificaciones es fundamental para la correcta interpretación de los resultados de retención de talento.

BusinessTravel Categórica (Ordinal)

Código	Significado	Riesgo Deserción
0	Non-Travel (No viaja)	✓ Bajo
1	Travel_Rarely (Viaja raramente)	⚠ Moderado
2	Travel_Frequently (Viaja frecuentemente)	✗ Alto

✈️

Factor de riesgo: Los empleados que viajan frecuentemente tienen mayor probabilidad de deserción.

Department Categórica (Nominal)

Código	Significado
0	Human Resources (Recursos Humanos)
1	Research & Development (I+D)
2	Sales (Ventas)

🏢

Observación: Los departamentos de Ventas y RR.HH. suelen tener tasas de deserción más altas que I+D.

Education Categórica (Ordinal)

Código	Significado
1	Below College (Por debajo de universidad)
2	College (Universidad)
3	Bachelor (Licenciatura)
4	Master (Maestría)
5	Doctor (Doctorado)

🎓

Orden lógico: Mayor nivel educativo se asocia con mayor especialización.

EducationField Categórica (Nominal)

Código	Significado
0	Human Resources (Recursos Humanos)
1	Life Sciences (Ciencias de la Vida)
2	Marketing
3	Medical (Medicina)
4	Other (Otro)
5	Technical Degree (Título Técnico)

Variables de Satisfacción Escala 1-4

Variables: EnvironmentSatisfaction, JobSatisfaction, RelationshipSatisfaction, JobInvolvement

Código	Significado	Riesgo Deserción
1	Bajo (Low)	✗ Alto
2	Medio (Medium)	⚠ Moderado
3	Alto (High)	✓ Bajo
4	Muy Alto (Very High)	✓ Muy bajo

📊

Factor protector: Mayor satisfacción se asocia con menor probabilidad de deserción.

JobLevel Categórica (Ordinal)

Código	Significado
1	Nivel 1 (Entrada/Junior)
2	Nivel 2
3	Nivel 3
4	Nivel 4 (Senior)
5	Nivel 5 (Directivo)

📈

Jerarquía: Niveles más altos suelen tener menor deserción, pero con mayor responsabilidad.

JobRole Categórica (Nominal)

Código	Significado
0	Healthcare Representative (Representante de Salud)
1	Human Resources (Recursos Humanos)
2	Laboratory Technician (Técnico de Laboratorio)
3	Manager (Gerente)
4	Manufacturing Director (Director de Manufactura)
5	Research Director (Director de Investigación)
6	Research Scientist (Científico de Investigación)
7	Sales Executive (Ejecutivo de Ventas)
8	Sales Representative (Representante de Ventas)

💼

Observación: Roles de ventas y técnicos suelen tener mayor rotación que roles de investigación y gerencia.

MaritalStatus Categórica (Nominal)

Código	Significado
0	Divorced (Divorciado)
1	Married (Casado)
2	Single (Soltero)

💑

Observación: Empleados solteros suelen tener mayor movilidad laboral que los casados.

PerformanceRating Categórica (Ordinal)

Código	Significado
3	Excellent (Excelente)
4	Outstanding (Sobresaliente)

⭐

Nota: No hay valores 1 o 2 en este dataset (todos los empleados tienen buen desempeño).

StockOptionLevel Categórica (Ordinal)

Código	Significado
0	Sin opciones sobre acciones
1	Nivel 1
2	Nivel 2
3	Nivel 3 (Mayor compensación variable)

📈

Factor de retención: Mayor nivel de opciones sobre acciones se asocia con menor deserción.

TrainingTimesLastYear Categórica (Ordinal)

Código	Significado
0	0 capacitaciones
1	1 capacitación
2	2 capacitaciones
3	3 capacitaciones
4	4 capacitaciones
5	5 capacitaciones
6	6 capacitaciones

📚

Factor de retención: Más capacitaciones se asocian con mayor desarrollo y retención.

WorkLifeBalance Categórica (Ordinal)

Código	Significado	Riesgo Deserción
1	Malo (Bad)	✗ Alto
2	Regular (Average)	⚠ Moderado
3	Bueno (Good)	✓ Bajo
4	Excelente (Excellent)	✓ Muy bajo

⚖️

Factor clave: El equilibrio vida-trabajo es uno de los predictores más importantes de deserción.

Variables Binarias Binario

Formato común: 0 = No / Ausencia, 1 = Sí / Presencia

Gender Género (0: Femenino, 1: Masculino)

OverTime Horas extras (0: No, 1: Sí)

Attrition 🎯 Variable Objetivo: Deserción (0: Permanece, 1: Abandona)

ℹ️

Nota: Todas las variables binarias están codificadas como 0 = No y 1 = Sí.

📊

Variables categóricas: 15

BusinessTravel (3 niveles - ordinal)
Department (3 departamentos)
Education (5 niveles - ordinal)
EducationField (6 campos)
EnvironmentSatisfaction (1-4 - ordinal)
JobInvolvement (1-4 - ordinal)
JobLevel (1-5 - ordinal)
JobRole (9 roles)
JobSatisfaction (1-4 - ordinal)
MaritalStatus (3 estados)
PerformanceRating (3-4 - ordinal)
RelationshipSatisfaction (1-4 - ordinal)
StockOptionLevel (0-3 - ordinal)
TrainingTimesLastYear (0-6 - ordinal)
WorkLifeBalance (1-4 - ordinal)

🎯

Variables binarias: 3

Gender (Género)
OverTime (Horas extras)
🎯 Attrition (Objetivo - Deserción)

📈

Variables numéricas: 13

Age, DailyRate, DistanceFromHome, HourlyRate
MonthlyIncome, MonthlyRate, NumCompaniesWorked
PercentSalaryHike, TotalWorkingYears
YearsAtCompany, YearsInCurrentRole
YearsSinceLastPromotion, YearsWithCurrManager

⚠️

Recomendaciones de Retención:

Factor crítico: OverTime (horas extras) - empleados con horas extras tienen mayor riesgo
Viajes: BusinessTravel frecuente aumenta significativamente la deserción
Ingresos: MonthlyIncome bajo respecto al mercado es un predictor clave
Antigüedad: YearsAtCompany < 5 años es período de alto riesgo
Satisfacción: Baja satisfacción (1-2) en cualquier variable es señal de alerta
Desarrollo: TrainingTimesLastYear = 0 indica falta de inversión en desarrollo
Promociones: YearsSinceLastPromotion > 5 años puede indicar estancamiento

🔬 Metodología de Generación (Reproducibilidad Científica)

📐 Método Principal

SMOTE RSB* Refinado

Versión: 2.1.0

DOI: 10.xxxx/zenodo.xxxxxxx

Código fuente: https://github.com/tu-usuario/dataset-sintetico-uci

📏 Reglas de restricción

TotalWorkingYears > 60 → TotalWorkingYears < 45 (Años trabajando realistas)
YearsAtCompany > 40 → TotalWorkingYears ≥ 40 (Años en empresa ≤ años trabajando)
YearsInCurrentRole > 40 → YearsAtCompany ≥ 40 (Años en rol ≤ años en empresa)
YearsWithCurrManager > 0 → YearsAtCompany ≥ 1 (Tiene manager → al menos 1 año en empresa)
YearsAtCompany == 0 → YearsSinceLastPromotion = 0 (Sin antigüedad → sin promoción)
JobRole == 7 (Sales Executive) → Department = 2 (Sales)
JobRole == 8 (Sales Representative) → Department = 2 (Sales)
JobRole == 6 (Research Scientist) → Department = 1 (R&D)
JobRole == 2 (Laboratory Technician) → Department = 1 (R&D)
JobRole == 4 (Manufacturing Director) → Department = 1 (R&D)
JobRole == 0 (Healthcare Representative) → Department = 1 (R&D)
JobRole == 5 (Research Director) → Department = 1 (R&D)
JobRole == 1 (Human Resources) → Department = 0 (HR)
JobRole == 8 (Sales Representative) → JobLevel = 1 (Junior)
JobRole == 5 (Research Director) → JobLevel ≥ 3 (Senior)
JobRole == 3 (Manager) → JobLevel ≥ 3 (Senior)
JobLevel == 1 → MonthlyIncome < 5000 (Nivel 1 → ingreso bajo)
JobLevel == 5 → MonthlyIncome > 17000 (Nivel 5 → ingreso alto)
PercentSalaryHike > 22 → PerformanceRating = 4 (Alto aumento → rating excelente)
PerformanceRating == 3 → PercentSalaryHike ≤ 21 (Rating bueno → aumento moderado)

⚙️ Hiperparámetros SMOTE RSB* Adaptado

Valor escala	0.03
Probabilidad Base	0.1

🔄 Hiperparámetros CTGAN

epochs	500
batch_size	50
generator_lr	0.0002
discriminator_lr	0.0002
pac	10
generator_dim	(256, 256)
discriminator_dim	(256, 256)
embedding_dim	128
l2scale	1e-05

📊 Hiperparámetros TVAE

epochs	500
batch_size	50
embedding_dim	128
compress_dims	(128, 128)
decompress_dims	(128, 128)
l2scale	1e-5
loss_factor	2

🔐 Reproducibilidad

Random Seed	`42`
Python	3.12.12

Librerías utilizadas:

pandas: 2.3.3
numpy: 2.4.4
scikit-learn: 1.7.2
imbalanced-learn: 0.14.0
ctgan: 0.11.1
torch: 2.9.0
sdv: 1.28.0
scipy: 1.16.3
matplotlib: 3.10.9

📝

Para reproducir exactamente este conjunto de datos, ejecute el script de generación con la semilla aleatoria 42. Los resultados pueden variar ligeramente según la versión de las librerías.

📊 Conjuntos de Datos Derivados

El conjunto original ha sido sometido a un proceso de balanceo de clases y generación sintética para mejorar la representación de clases minoritarias. Nota: se ha empleado un conjunto de validación para evaluar el índice de fidelidad. Se han generado tres familias de conjuntos:

📊 Balanceados: Conjuntos creados mediante técnicas de sobremuestreo
🔮 Sintéticos Puros: Conjuntos generados completamente con modelos generativos
✨ Aumentados: Combinación del conjunto original + datos sintéticos

El mejor conjunto de cada etapa fue seleccionado mediante el índice TabDSFidelity.

📊 Conjuntos Balanceados 8 conjuntos

Algoritmo	Ratio	N° Ejemplos	AUC-ROC	F1	Accuracy	TabDSFidelity	Jensen-Shannon	Kolmogorov-Smirnov	Kullback-Leibler	Correlación	Tiempo Total (s)	Dist. Promedio	Copias Exactas	Ataque MIA	Mejor
Random Oversampling	1	1478	0.779	0.833	0.861	8.213	0.120	0.294	0.022	0.969	55.885	0	1478	0.518	🏆
Smote	1	1478	0.710	0.817	0.827	3.870	0.149	0.158	0.036	0.953	56.482	0.072	882	0.562
Borderline SMOTE	1	1478	0.705	0.838	0.854	6.005	0.150	0.135	0.036	0.952	56.158	0.073	882	0.557
ADASYN	1.032	1455	0.715	0.810	0.830	3.825	0.144	0.182	0.034	0.956	57.961	0.071	882	0.578
SMOTE RSB* Adaptado	1.034	1454	0.746	0.818	0.823	4.898	0.140	0.228	0.022	0.972	60.913	0.077	882	0.545
SMOTE RSB* Adaptado + Reglas	1.034	1454	0.757	0.835	0.833	6.486	0.144	0.217	0.021	0.973	62.830	0.077	882	0.586
OOF PSO para Balanceo	1	1478	0.811	0.824	0.861	4.268	0.333	0.000	0.210	0.599	82.332	0.156	882	0.528
OOF PSO para Balanceo + Reglas	1	1478	0.802	0.844	0.874	6.106	0.318	0.002	0.199	0.632	81.406	0.168	879	0.522

⭐ Mejor seleccionado: Random Oversampling (TabDSFidelity: 8.213, AUC: 0.779, F1: 0.833, MIA: 0.518). Nota: Ratio <= 1.5 = Conjunto Balanceado.

🔮 Conjuntos Sintéticos Puros 10 conjuntos

Algoritmo	Ratio	N° Ejemplos	AUC-ROC	F1	Accuracy	TabDSFidelity	Jensen-Shannon	Kolmogorov-Smirnov	Kullback-Leibler	Correlación	Tiempo Total (s)	Dist. Promedio	Copias Exactas	Ataque MIA	Mejor
SMOTE RSB* + Ruido Gaussiano	1.695	7981	0.758	0.839	0.864	8.617	0.170	0.326	0.040	0.969	96.103	0.124	2	0.551
SMOTE RSB* + Ruido Gaussiano + Reglas	1.695	7981	0.736	0.836	0.864	8.307	0.170	0.326	0.036	0.970	272.260	0.121	2	0.565
CTGAN	1.019	10000	0.680	0.704	0.660	2.993	0.289	0.000	0.060	0.933	801.889	0.264	0	0.558
CTGAN + Reglas del Dominio	1.019	10000	0.699	0.684	0.636	2.825	0.289	0.000	0.059	0.935	974.569	0.261	0	0.551
TVAE	1.655	10000	0.819	0.846	0.850	8.179	0.253	0.005	0.019	0.964	344.674	0.193	0	0.505
TVAE + Reglas del Dominio	1.655	10000	0.836	0.866	0.871	8.785	0.253	0.005	0.019	0.964	520.230	0.193	0	0.507	🏆
OOF PSO para Aumento	1	10000	0.783	0.811	0.799	4.115	0.601	0.000	1.063	0.624	124.617	0.382	0	0.581
OOF PSO para Aumento + Reglas	1	10000	0.788	0.803	0.789	4.087	0.600	0.000	0.983	0.622	295.718	0.360	0	0.572
SMOTE RSB* Refinado	1.496	8342	0.748	0.847	0.867	8.405	0.173	0.264	0.040	0.969	80.165	0.155	0	0.567
SMOTE RSB* Refinado + Reglas	1.496	8342	0.747	0.846	0.864	8.367	0.173	0.264	0.037	0.970	230.132	0.152	0	0.559

⭐ Mejor seleccionado: TVAE + Reglas del Dominio (TabDSFidelity: 8.785, AUC: 0.836, F1: 0.866, MIA: 0.507). Nota: Ratio <= 1.5 = Conjunto Balanceado.

✨ Conjuntos Aumentados 10 conjuntos

Algoritmo	Ratio	N° Ejemplos	AUC-ROC	F1	Accuracy	TabDSFidelity	Jensen-Shannon	Kolmogorov-Smirnov	Kullback-Leibler	Correlación	Tiempo Total (s)	Dist. Promedio	Copias Exactas	Ataque MIA	Mejor
SMOTE RSB* + Ruido Gaussiano	1.556	9459	0.740	0.847	0.871	7.142	0.159	0.305	0.033	0.971	187.658	0.106	318	0.573
SMOTE RSB* + Ruido Gaussiano + Reglas	1.556	9459	0.767	0.828	0.857	7.030	0.159	0.305	0.031	0.972	364.724	0.104	318	0.557
CTGAN	1.017	11478	0.741	0.797	0.793	2.713	0.262	0.000	0.050	0.940	893.284	0.229	264	0.586
CTGAN + Reglas del Dominio	1.017	11478	0.759	0.806	0.796	3.521	0.262	0.000	0.049	0.941	1063.770	0.225	264	0.579
TVAE	1.548	11478	0.811	0.845	0.850	7.316	0.225	0.008	0.018	0.966	437.170	0.168	264	0.525
TVAE + Reglas del Dominio	1.548	11478	0.799	0.854	0.861	7.478	0.225	0.007	0.018	0.966	613.876	0.168	264	0.528	🏆
OOF PSO para Aumento	1	11478	0.813	0.871	0.884	6.000	0.525	0.000	0.687	0.639	214.917	0.332	264	0.559
OOF PSO para Aumento + Reglas	1	11478	0.799	0.839	0.861	4.351	0.524	0.000	0.634	0.641	385.297	0.313	264	0.545
SMOTE RSB* Refinado	1.406	9820	0.736	0.852	0.871	6.996	0.162	0.259	0.034	0.970	159.774	0.130	317	0.570
SMOTE RSB* Refinado + Reglas	1.406	9820	0.745	0.849	0.867	7.101	0.162	0.259	0.032	0.971	310.509	0.128	317	0.577

⭐ Mejor seleccionado: TVAE + Reglas del Dominio (TabDSFidelity: 7.478, AUC: 0.799, F1: 0.854, MIA: 0.528). Nota: Ratio <= 1.5 = Conjunto Balanceado.

📈 Diagrama del Proceso de Generación

Conjunto Original
CD_44

↓

Balanceo
(8 métodos)

↓ Selección por TabDSFidelity

⭐ Mejor Balanceado
Random Oversampling

↓

Generación Sintética
(10 métodos)

↓ Evaluación TabDSFidelity

⭐ Mejor Sintético
TVAE + Reglas del Dominio

⭐ Mejor Aumentado
TVAE + Reglas del Dominio

↓

Conjunto Sintético Final
Seleccionado por calidad

📊 Guía de Métricas de Evaluación

Para interpretar correctamente los resultados de los conjuntos de datos generados, es fundamental comprender qué mide cada métrica y cómo se relacionan entre sí. A continuación, se detalla cada una de las métricas utilizadas en la evaluación:

🎯 Métricas de Rendimiento Predictivo

AUC-ROC (0.5 - 1.0)

¿Qué mide? Capacidad del modelo para distinguir entre clases (Ej: mortalidad vs supervivencia).

Interpretación:

0.5: Sin capacidad predictiva (aleatorio)
0.7-0.8: Aceptable
0.8-0.9: Excelente
>0.9: Sobresaliente

Ejemplo: AUC-ROC = 0.82 significa que hay un 82% de probabilidad de que el modelo clasifique correctamente un paciente fallecido frente a uno superviviente.

F1-Score (0 - 1.0)

¿Qué mide? Media armónica entre precisión y sensibilidad (recall).

Interpretación:

0.7-0.8: Buen equilibrio entre precisión y sensibilidad
0.8-0.9: Muy buen equilibrio
>0.9: Excelente equilibrio

Ejemplo: F1 = 0.76 indica que el modelo mantiene un buen balance entre identificar correctamente a los pacientes que fallecen (sensibilidad) y no etiquetar erróneamente a los que sobreviven (precisión).

Accuracy (0 - 1.0)

¿Qué mide? Proporción de predicciones correctas sobre el total.

Interpretación:

0.7-0.8: Buen rendimiento general
0.8-0.9: Muy buen rendimiento
>0.9: Excelente rendimiento

Ejemplo: Accuracy = 0.75 significa que el 75% de las predicciones del modelo son correctas.

⚠️ Nota: En conjuntos desbalanceados, esta métrica puede ser engañosa. Es mejor usar F1-Score o AUC-ROC.

🔬 Índice de Fidelidad del Conjunto

TabDSFidelity (0 - 10+)

¿Qué mide? Calidad global del conjunto sintético comparado con el original.

Interpretación:

< 3.0: Baja fidelidad (poca similitud con el original)
3.0 - 6.0: Fidelidad moderada
6.0 - 8.0: Alta fidelidad
> 8.0: Muy alta fidelidad (excelente representación)

Ejemplo: TabDSFidelity = 8.08 indica que el conjunto sintético mantiene una alta similitud con el original, preservando las relaciones y distribuciones de los datos reales, además de maximizar su eficacia predictiva.

💡 Importante: Este es el índice para seleccionar el mejor conjunto de datos sintéticos. Para este caso, el peso empleado para las métricas "AUC-ROC", "F1-Score" y "Accuracy" fue (2) y para el resto de las métricas fue (1).

📊 Métricas de Similitud de Distribuciones

Jensen-Shannon (Promedio) (0 - 1.0)

¿Qué mide? Similitud entre las distribuciones de variables numéricas del conjunto sintético y el original.

Interpretación:

Cerca de 0: Distribuciones muy similares (ideal)
0.1 - 0.3: Diferencias moderadas
> 0.3: Diferencias significativas

Ejemplo: JS = 0.118 indica que las distribuciones de las variables numéricas (edad, presión arterial, etc.) son bastante similares a las del conjunto original.

📌 Nota: Es el promedio de la divergencia de Jensen-Shannon calculada para todas las variables numéricas.

Kolmogorov-Smirnov (p-valor promedio) (0 - 1.0)

¿Qué mide? Probabilidad estadística de que las muestras numéricas del conjunto sintético provengan de la misma distribución continua que el original.

Interpretación:

Cerca de 1.0: Altísima probabilidad de que sean la misma distribución (ideal)
> 0.05: Similitud aceptable (no se rechaza que sean iguales)
< 0.05: Diferencias estadísticamente significativas

Ejemplo: KS p-valor = 0.753 indica que hay evidencia fuerte a favor de que las distribuciones acumulativas de la variable sintética y la original son equivalentes.

📌 Nota: Se reporta el promedio de los p-valores obtenidos mediante la prueba de Kolmogorov-Smirnov de dos muestras para las variables numéricas.

Kullback-Leibler (Promedio) (0 - ∞)

¿Qué mide? Divergencia entre las distribuciones de variables categóricas del conjunto sintético y el original.

Interpretación:

Cerca de 0: Distribuciones muy similares (ideal)
0.01 - 0.1: Diferencias pequeñas
> 0.1: Diferencias notables

Ejemplo: KL = 0.014 indica que la distribución de las variables categóricas (género, mortalidad) es muy similar a la del conjunto original.

📌 Nota: Es el promedio de la divergencia de Kullback-Leibler para todas las variables categóricas. A diferencia de JS y KS, esta métrica se aplica solo a variables categóricas.

📊 Métricas de Estructura

Similitud de Correlación (0 - 1.0)

¿Qué mide? Preservación de las relaciones entre variables del conjunto original.

Interpretación:

Cerca de 1.0: Las relaciones entre variables se mantienen casi idénticas
> 0.9: Excelente preservación de relaciones
0.7 - 0.9: Buena preservación
< 0.7: Pérdida significativa de relaciones

Ejemplo: Correlación = 0.976 significa que las relaciones entre variables (ej. edad y mortalidad) se mantienen en un 97.6% respecto al conjunto original.

⏱️ Métricas de Rendimiento Temporal

Tiempo Total (s) (segundos)

¿Qué mide? Tiempo total de ejecución del proceso de generación del conjunto.

Interpretación:

< 100s: Generación rápida
100-300s: Tiempo moderado
> 300s: Proceso lento (puede ser aceptable para conjuntos grandes)

Ejemplo: Tiempo total = 69.45s significa que el proceso completo de generación del conjunto balanceado tomó aproximadamente 1.16 minutos.

⏱️ Nota: Incluye el tiempo de generación sintética + cálculo de métricas.

🔒 Métricas de Privacidad

Estas métricas evalúan el riesgo de exposición de información sensible y la capacidad de un atacante para inferir datos de los pacientes a partir del conjunto de datos sintéticos.

Distancia al Registro Más Cercano (≥ 0)

¿Qué mide? La distancia promedio entre cada registro sintético y su registro más cercano en el conjunto de datos original.

Interpretación:

Cerca de 0: Los datos sintéticos son muy similares a los originales → ⚠️ ALTO RIESGO de privacidad
0.01 - 0.05: Similaridad moderada → Riesgo moderado
> 0.05: Buena separación de los datos originales → ✅ BAJO RIESGO de privacidad

Ejemplo: Distancia promedio = 0.015 en SMOTE indica que los registros sintéticos están relativamente cerca de los originales, lo que podría implicar un riesgo de privacidad moderado.

🔬

Metodología: Calculada utilizando la Distancia de Gower, la cual maneja internamente tipos de datos mixtos, normalizando las variables numéricas y penalizando diferencias categóricas para devolver un índice estandarizado entre 0 y 1.

💡

Recomendación: Valores < 0.01 deben ser evaluados con precaución. Idealmente, buscar valores > 0.02 para garantizar la privacidad.

Copias Exactas (≥ 0)

¿Qué mide? Número de registros sintéticos que son copias idénticas de registros en el conjunto de datos original.

Interpretación:

0: Ninguna copia exacta → ✅ SEGURO
1 - 10: Pocas copias → Riesgo bajo
11 - 50: Copias moderadas → ⚠️ RIESGO MODERADO
> 50: Muchas copias → 🔴 ALTO RIESGO de reidentificación

Ejemplo: SMOTE RSB* Refinado genera 76 copias exactas de 8817 registros (0.86%), lo que representa un riesgo de privacidad que debe ser evaluado.

⚠️

Importante: La presencia de copias exactas es uno de los indicadores más críticos de fuga de datos. Idealmente, este valor debe ser 0.

Ataque de Inferencia de Membresía (MIA) (0 - 1.0)

¿Qué mide? Tasa de éxito (medida en AUC-ROC) de un atacante para determinar si un registro específico pertenece al conjunto de datos original.

Interpretación:

0.5: Aleatorio (ideal) → ✅ PRIVACIDAD ÓPTIMA
0.5 - 0.55: Riesgo bajo
0.55 - 0.6: Riesgo moderado → ⚠️ PRIVACIDAD CUESTIONABLE
> 0.6: Riesgo alto → 🔴 PRIVACIDAD COMPROMETIDA

Ejemplo: MIA = 0.553 significa que el atacante tiene un éxito ligeramente superior al 50% aleatorio, lo que indica un riesgo de privacidad bajo/moderado.

🎯

Objetivo: Buscar valores lo más cercanos a 0.5. Valores > 0.6 indican que el conjunto sintético no protege adecuadamente la privacidad.

📝 Resumen Rápido para Selección

🏆

Para seleccionar el mejor conjunto:

Priorizar TabDSFidelity más alto
Buscar AUC-ROC y F1 altos
Valores de divergencia JS y KL cercanos a 0
P-valor de KS lo más cercano a 1.0 posible (>0.05)
Correlación > 0.9

⚖️

Balance entre calidad y tiempo:

Un TabDSFidelity > 8.0 indica excelente calidad
Tiempos de generación < 200s son aceptables
La Correlación > 0.95 asegura buena preservación de relaciones

🔒

Para garantizar la privacidad:

MIA lo más cercano a 0.5 (ideal)
Copias exactas = 0 (ideal) o lo más bajo posible
Distancia promedio > 0.02 para buena separación
Evaluar balance entre calidad (TabDSFidelity) y privacidad (MIA)

📥 Descargar conjuntos y código Python

📦 Descargar completo (ZIP)

Formatos incluidos: CSV.

📚 Cómo citar este conjunto

Díaz Bastida, M., Pérez Vázquez, R. A., & Bello Pérez, R. (2026). High-Fidelity Synthetic Dataset for Employee Attrition Prediction (Version 1). figshare. https://doi.org/10.6084/m9.figshare.32946326.v1