[发明专利]一种基于Logistic回归算法的劳资纠纷预测方法

权利要求书

1.一种基于Logistic回归算法的劳资纠纷预测方法，其特征在于，包括：

步骤1，对劳资纠纷预测相关数据进行预处理；

步骤2，基于预处理后的劳资纠纷预测相关数据构建企业发生劳资纠纷概率的回归函数，基于所述回归函数构造似然函数；

步骤3，基于所述似然函数求解所述劳资纠纷预测相关数据在所述回归函数中对应的最佳参数向量，以确定出所述回归函数；

步骤4，基于确定出的所述回归函数计算每个企业发生劳资纠纷概率。

2.根据权利要求1所述的基于Logistic回归算法的劳资纠纷预测方法，其特征在于，所述劳资纠纷预测相关数据分为两类，一类是已经发生劳资纠纷的企业数据，另一类是正常运营企业的数据，每一类均包含：企业的社保缴纳数据、公积金缴纳数据、企业离职以及招聘数据、企业经营期限、企业劳动仲裁事件数量、企业法务纠纷数量、企业水电用量波动数据、企业举报信息、公司变更数据、企业行政处罚数据。

3.根据权利要求1所述的基于Logistic回归算法的劳资纠纷预测方法，其特征在于，所述步骤1，包括：

采用抽取-交互转换-加载ETL工具对劳资纠纷预测相关数据依次进行清洗、融合、转换、标准化处理。

4.根据权利要求3所述的基于Logistic回归算法的劳资纠纷预测方法，其特征在于，所述ETL工具为Kettle。

5.根据权利要求1所述的基于Logistic回归算法的劳资纠纷预测方法，其特征在于，所述步骤2，包括：

步骤21：基于预处理后的劳资纠纷预测相关数据构建逻辑回归的Sigmoid函数即回归函数，其数学形式是：

Sigmoid函数是一个介于0和1之间的连续函数，其函数图像是一个“S”型曲线，z定义如下：

z＝b₀+b₁x₁+b₂x₂+b₃x₃+…+b_nx_n

其中，b₀，b₁，b₂，b₃，…，b_n为预处理后的各劳资纠纷预测相关数据对应的参数向量，x₁，x₂，x₃，…，x_n为预处理后的劳资纠纷预测相关数据向量，n为劳资纠纷预测相关数据的总数；

步骤22：基于所述回归函数构造似然函数如下：

其中，y_i＝0表示企业i不发生劳资纠纷，y_i＝1表示企业i发生劳资纠纷。

6.根据权利要求1所述的基于Logistic回归算法的劳资纠纷预测方法，其特征在于，所述步骤3，包括：

步骤31：对似然函数两边取对数：

步骤32：对两边取对数后的似然函数求导并令其值等于0，得到下式：求解此式得到各劳资纠纷预测相关数据对应的参数向量最佳值。

7.根据权利要求1所述的基于Logistic回归算法的劳资纠纷预测方法，其特征在于，所述方法，还包括：

步骤5，基于每个企业发生劳资纠纷概率对企业进行分级分类管理。

8.根据权利要求7所述的基于Logistic回归算法的劳资纠纷预测方法，其特征在于，所述步骤5，包括：

若企业发生劳资纠纷概率落入0.3-0.5，则表示该企业为稍有风险；

若企业发生劳资纠纷概率落入0.5-0.8，则表示该企业为一般风险；

若企业发生劳资纠纷概率落入0.8以上，则表示该企业为严重风险。