CN110188784A - 一种用于年终人物评估参考的系统 - Google Patents
一种用于年终人物评估参考的系统 Download PDFInfo
- Publication number
- CN110188784A CN110188784A CN201910121078.1A CN201910121078A CN110188784A CN 110188784 A CN110188784 A CN 110188784A CN 201910121078 A CN201910121078 A CN 201910121078A CN 110188784 A CN110188784 A CN 110188784A
- Authority
- CN
- China
- Prior art keywords
- data
- year
- index
- assessment
- situation
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 claims abstract description 24
- 238000005457 optimization Methods 0.000 claims abstract description 10
- 238000004364 calculation method Methods 0.000 claims abstract description 7
- 238000012549 training Methods 0.000 claims abstract description 7
- 238000004422 calculation algorithm Methods 0.000 claims description 10
- 230000000739 chaotic effect Effects 0.000 claims description 4
- 238000013500 data storage Methods 0.000 claims description 3
- 238000013461 design Methods 0.000 claims description 3
- 230000009977 dual effect Effects 0.000 claims description 3
- 230000000694 effects Effects 0.000 claims description 3
- 238000012423 maintenance Methods 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims description 3
- 238000007619 statistical method Methods 0.000 claims description 3
- 239000007787 solid Substances 0.000 description 2
- 230000002194 synthesizing effect Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Complex Calculations (AREA)
Abstract
本发明公开了一种用于年终人物评估参考的系统,该系统的创建方法包括:基于历史测评数据的模型训练,初始化各类指标权重;人为调教后的模型优化;数据仓库建立;数据预处理;指标选择、权重计算及绩效得分计算,该方法实现统战人员及统战口的年终考评,可经由系统对人物的年度工作。
Description
技术领域
本发明涉及计算机软件领域,具体是一种用于年终人物评估参考的系统。
背景技术
现有技术中,现有的人员考评系统只能通过预先设计的固定考评模型进行人员分析,无法针对逐年改变的工作重点做出及时的应对。
发明内容
发明目的:为了解决现有技术的不足,本发明提供了一种用于年终人物评估参考的系统,实现年终考评,可经由系统对人物的年度工作。
技术方案:为了实现以上目的,本发明所述的一种用于年终人物评估参考的系统,该系统的创建方法包括以下步骤:
(a)基于历史测评数据的模型训练,初始化各类指标权重
对于往年测评成绩及相关工作情况的数据进行整理,并进行数据清洗以供测评模型的训练,初始化测评模型中的各类指标权重值;
(b)人为调教后的模型优化
基于系统初始化后的指标权重值,针对每年度或对应季度的工作重心进行人为的进行调整以符合当前年度的相关考评重点;
(c)数据仓库建立
设计数据仓库并建立标准化的数据规范,数据仓库中的数据来源于原本的在线业务系统,数据类主要包括,如日常工作记录、信息维护情况、信息上报及录用情况、参政议政议案提交情况、年度的奖惩情况、年度开展活动类别占比情况等;
(d)数据预处理
针对测评模型的要求对数据进行预处理,如数据格式、数据范围、数据类型等转化为模型可用数据;
(e)指标选择、权重计算及绩效得分计算
舍弃部分无用数据,进行指标选择,权重计算及绩效得分计算,综合整体业务指标及各统战口的特有指标,通过算法筛选出独立性、区分性高的指标。
作为本发明的进一步优选,步骤(e)中,所述的算法包括:R型聚类分析法、变异系数算法和松弛变量。
作为本发明的进一步优选,所述的R型聚类分析法是聚类分析的一种对指标进行分类的方法。
作为本发明的进一步优选,所述的R型聚类分析法是为了防止遗漏某些重要影响因素,在一开始选取指标的时候尽可能考虑所有的相关因素,而这样做的结果,则是变量过多,变量间的相关度较高,给统计分析与建模带来极大不便,按照变量的相似干系把他们聚合成若干类,进而找出影响系统的主要因素。
作为本发明的进一步优选,变异系数算法是衡量资料中各观测值变异程度的一个统计量,标准差与平均数的比值称为变异系数,记为C.V;
C.V.=σ/|μ|,其中σ=√∑(xi-u)^2/n,u=(∑xi)/n。
作为本发明的进一步优选,所述的松弛变量是为了解决数据更加混乱的问题。
作为本发明的进一步优选,所述的一个松弛变量ξ来允许一些数据可以处于分隔面错误的一侧,这时新的约束条件变为:
yi(w∑xi+b)≥1-ξii=1,2….n
其中中ξi的含义为允许第i个数据点允许偏离的间隔,在原有目标的基础之上,尽可能的让ξ的总量也尽可能的小,新的目标函数变为:
和C≥α≥0
新的拉格朗日函数变为:
将拉格朗日函数转化为其对偶函数,首先对L分别求w,b,ξ的偏导,并令其为0,结果如下:
有益效果:本发明所述的一种用于年终人物评估参考的系统,通过应用R 型聚类分析法及变异系数算法,筛选出独立性、区分性高的指标,添加松弛变量的方法,解决了数据更加混乱的问题,通过该系统实现年终考评,可经由系统对人物的年度工作情况并结合年度工作重点进行数据分析提供参考性的考评结果。
附图说明
图1为系统的概念图;
图2为松弛变量的示意图;
图3为R型聚类分析法中列举的部分考评内容以及各考评点的相关系数。
具体实施方式
下面结合附图和具体实施例,进一步阐明本发明。
如图1所示,本发明所述的一种用于年终人物评估参考的系统,该系统的创建方法包括:基于历史测评数据的模型训练,初始化各类指标权重;人为调教后的模型优化;数据仓库建立;数据预处理;指标选择、权重计算及绩效得分计算,如图2所示,在两个类型点之间进行加入噪点后求算margin区域变小,线条所代表的是寻找超平面时的边界值,噪点表示在正常的数据中所不小心混入的异常错误数据。
实施例
步骤一:对于往年测评成绩及相关工作情况的数据进行整理,并进行数据清洗以供测评模型的训练,初始化测评模型中的各类指标权重值。
步骤二:基于系统初始化后的指标权重值,针对每年度或对应季度的工作重心进行人为的进行调整以符合当前年度的相关考评重点。
步骤三:设计数据仓库并建立标准化的数据规范,数据仓库中的数据来源于原本的在线业务系统,数据类主要包括,如日常工作记录、信息维护情况、信息上报及录用情况、参政议政议案提交情况、年度的奖惩情况、年度开展活动类别占比情况等。
步骤四:针对测评模型的要求对数据进行预处理,如数据格式、数据范围、数据类型等转化为模型可用数据,
步骤五:舍弃部分无用数据,进行指标选择,权重计算及绩效得分计算。综合整体业务指标及各统战口的特有指标,应用相应算法筛选出独立性、区分性高的指标。
涉及的算法包括:
(一)、R型聚类分析法
R型聚类分析法是聚类分析的一种对指标进行分类,为了防止遗漏某些重要影响因素,在一开始选取指标的时候尽可能考虑所有的相关因素,而这样做的结果,则是变量过多,变量间的相关度较高,给统计分析与建模带来极大不便,按照变量的相似干系把他们聚合成若干类,进而找出影响系统的主要因素。
如图3所示,为X1-X10为列举的部分考评内容以及各考评点的相关系数。
(二)、变异系数算法
变异系数是衡量资料中各观测值变异程度的一个统计量,标准差与平均数的比值称为变异系数,记为C.V
C.V.=σ/|μ|,其中σ=√∑(xi-u)^2/n,u=(∑xi)/n。
(三)、松弛变量
样本数据都不能够用一个超平面把数据完全分开。数据集中存在噪点,在求超平的时候会出现很大问题。从图2中可看出其中一个实心点偏差太大,如果把它作为支持向量,所求出来的margin就会比不算入它时要小得多。如果这个实心点落在了空心点之间那么就找不出超平面了。
因此引入一个松弛变量ξ来允许一些数据可以处于分隔面错误的一侧,这时新的约束条件变为:
yi(w∑xi+b)≥1-ξii=1,2….n
其中中ξi的含义为允许第i个数据点允许偏离的间隔。如果让ξ任意大的话,那么任意的超平面都是符合条件的了。所以在原有目标的基础之上,尽可能的让ξ的总量也尽可能的小,新的目标函数变为:
和C≥α≥0
新的拉格朗日函数变为:
接下来将拉格朗日函数转化为其对偶函数,首先对L分别求w,b,ξ的偏导,并令其为0,结果如下:
经过添加松弛变量的方法,我们解决数据更加混乱的问题。
上述实施方式只为说明本发明的技术构思及特点,其目的是让熟悉该技术领域的技术人员能够了解本发明的内容并据以实施,并不能以此来限制本发明的保护范围。凡根据本发明精神实质所做出的等同变换或修饰,都应涵盖在本发明的保护范围之内。
Claims (7)
1.一种用于年终人物评估参考的系统,其特征在于,该系统的创建方法包括以下步骤:
(a)基于历史测评数据的模型训练,初始化各类指标权重
对于往年测评成绩及相关工作情况的数据进行整理,并进行数据清洗以供测评模型的训练,初始化测评模型中的各类指标权重值;
(b)人为调教后的模型优化
基于系统初始化后的指标权重值,针对每年度或对应季度的工作重心进行人为的进行调整以符合当前年度的相关考评重点;
(c)数据仓库建立
设计数据仓库并建立标准化的数据规范,数据仓库中的数据来源于原本的在线业务系统,数据类主要包括,如日常工作记录、信息维护情况、信息上报及录用情况、参政议政议案提交情况、年度的奖惩情况、年度开展活动类别占比情况等;
(d)数据预处理
针对测评模型的要求对数据进行预处理,如数据格式、数据范围、数据类型等转化为模型可用数据;
(e)指标选择、权重计算及绩效得分计算
舍弃部分无用数据,进行指标选择,权重计算及绩效得分计算,综合整体业务指标及各统战口的特有指标,通过算法筛选出独立性、区分性高的指标。
2.根据权利要求1所述的一种用于年终人物评估参考的系统,其特征在于:步骤(e)中,所述的算法包括:R型聚类分析法、变异系数算法和松弛变量。
3.根据权利要求2所述的一种用于年终人物评估参考的系统,其特征在于:所述的R型聚类分析法是聚类分析的一种对指标进行分类的方法。
4.根据权利要求3所述的一种用于年终人物评估参考的系统,其特征在于:所述的R型聚类分析法是为了防止遗漏某些重要影响因素,在一开始选取指标的时候尽可能考虑所有的相关因素,而这样做的结果,则是变量过多,变量间的相关度较高,给统计分析与建模带来极大不便,按照变量的相似干系把他们聚合成若干类,进而找出影响系统的主要因素。
5.根据权利要求2所述的一种用于年终人物评估参考的系统,其特征在于:变异系数算法是衡量资料中各观测值变异程度的一个统计量,标准差与平均数的比值称为变异系数,记为C.V;
C.V.=σ/|μ|,其中σ=√∑(xi-u)^2/n,u=(∑xi)/n。
6.根据权利要求2所述的一种用于年终人物评估参考的系统,其特征在于:所述的松弛变量是为了解决数据更加混乱的问题。
7.根据权利要求6所述的一种用于年终人物评估参考的系统,其特征在于:所述的一个松弛变量ξ来允许一些数据可以处于分隔面错误的一侧,这时新的约束条件变为:
yi(w∑xi+b)≥1-ξii=1,2....n
其中中ξi的含义为允许第i个数据点允许偏离的间隔,在原有目标的基础之上,尽可能的让ξ的总量也尽可能的小,新的目标函数变为:
和C≥α≥0
新的拉格朗日函数变为:
将拉格朗日函数转化为其对偶函数,首先对L分别求w,b,ξ的偏导,并令其为0,结果如下:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910121078.1A CN110188784A (zh) | 2019-02-19 | 2019-02-19 | 一种用于年终人物评估参考的系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910121078.1A CN110188784A (zh) | 2019-02-19 | 2019-02-19 | 一种用于年终人物评估参考的系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110188784A true CN110188784A (zh) | 2019-08-30 |
Family
ID=67713608
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910121078.1A Pending CN110188784A (zh) | 2019-02-19 | 2019-02-19 | 一种用于年终人物评估参考的系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110188784A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113592516A (zh) * | 2021-08-04 | 2021-11-02 | 北京房江湖科技有限公司 | 基于偏置项的重要度确定方法与确定得分的方法 |
CN113971518A (zh) * | 2021-10-25 | 2022-01-25 | 国网甘肃省电力公司 | 一种干部测评管理系统及其使用方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102004962A (zh) * | 2010-12-01 | 2011-04-06 | 福州维胜信息技术有限公司 | 实现对个人综合绩效进行智能整理以供考评的实现方法 |
CN106548357A (zh) * | 2016-10-27 | 2017-03-29 | 南方电网科学研究院有限责任公司 | 客户满意度的测评方法及系统 |
CN108596495A (zh) * | 2018-04-26 | 2018-09-28 | 浙江工业大学 | 一种零售信贷业务评分系统及方法 |
-
2019
- 2019-02-19 CN CN201910121078.1A patent/CN110188784A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102004962A (zh) * | 2010-12-01 | 2011-04-06 | 福州维胜信息技术有限公司 | 实现对个人综合绩效进行智能整理以供考评的实现方法 |
CN106548357A (zh) * | 2016-10-27 | 2017-03-29 | 南方电网科学研究院有限责任公司 | 客户满意度的测评方法及系统 |
CN108596495A (zh) * | 2018-04-26 | 2018-09-28 | 浙江工业大学 | 一种零售信贷业务评分系统及方法 |
Non-Patent Citations (4)
Title |
---|
刘志刚等: "辽宁省级部门绩效评估模型及实证研究", 《科研管理》 * |
朱俊利等: "医院临床科主任绩效考核方法与结果分析", 《卫生软科学》 * |
连程: "基于支持向量机的互联网金融个人信用评估方法研究", 《中国优秀硕士学位论文全文数据库 经济与管理科学辑》 * |
陶继平等: "基于拉格朗日松弛的预约调度模型与算法", 《系统工程理论与实践》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113592516A (zh) * | 2021-08-04 | 2021-11-02 | 北京房江湖科技有限公司 | 基于偏置项的重要度确定方法与确定得分的方法 |
CN113592516B (zh) * | 2021-08-04 | 2023-11-21 | 贝壳找房(北京)科技有限公司 | 基于偏置项的重要度确定方法与确定得分的方法 |
CN113971518A (zh) * | 2021-10-25 | 2022-01-25 | 国网甘肃省电力公司 | 一种干部测评管理系统及其使用方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107766929B (zh) | 模型分析方法及装置 | |
CN110009210B (zh) | 一种基于关注度和专注度的学生听课水平综合评估方法 | |
CN110503000B (zh) | 一种基于人脸识别技术的教学抬头率测量方法 | |
Barker et al. | Learning from student data | |
CN110188784A (zh) | 一种用于年终人物评估参考的系统 | |
CN109064023A (zh) | 一种人力效能管理系统的方法和装置 | |
CN114463843A (zh) | 一种基于深度学习的多特征融合鱼类异常行为检测方法 | |
CN113288157A (zh) | 基于深度可分离卷积和改进损失函数的心律失常分类方法 | |
CN109582974A (zh) | 一种基于深度学习的在校大学生信用评估方法及装置 | |
CN118505457A (zh) | 一种基于改进随机森林算法的学习预警方法 | |
CN117635174A (zh) | 综合多模态ai分析的欺诈风险评估方法及系统 | |
CN112949954A (zh) | 基于识别学习建立财务欺诈识别模型的方法 | |
CN115239947A (zh) | 基于无监督学习的小麦条锈病严重度评估方法及装置 | |
Ji et al. | Apple color automatic grading method based on machine vision | |
CN109492676A (zh) | 基于粒子群算法优化支持向量机的研究生就业预测方法 | |
CN116523866B (zh) | 一种小麦赤霉病抗性鉴定方法、系统、电子设备和存储介质 | |
CN112102135A (zh) | 基于lstm神经网络的高校贫困生精准资助模型 | |
CN118172703A (zh) | 基于课堂行为分析的教学内容优化方法及系统 | |
CN118197515A (zh) | 一种青少年肥胖风险预警的方法、系统及设备 | |
CN113824580A (zh) | 一种网络指标预警方法及系统 | |
He et al. | Developing a New Autism Diagnosis Process Based on a Hybrid Deep Learning Architecture Through Analyzing Home Videos | |
Maddipatla | Classaphasia: an ensemble machine learning network to improve aphasia diagnosis and determine severity | |
CN119722404B (zh) | 一种基于数字孪生的虚拟教学数据交互方法及系统 | |
Pradito et al. | Classification for Human Resource Talent Management Using Support Vector Machine Model | |
CN118397446B (zh) | 复杂背景下基于敏感度的轻量级水稻病害识别方法及系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190830 |
|
RJ01 | Rejection of invention patent application after publication |