یکی از مهم ترین نگرانی های مدیران ترک خدمت کارکنان کلیدی است؛ زیرا سازمان با ازدست دادن نیروهای ارزشمند خود، متحمل ازدست دادن دانش و تجربیاتی می شود که طی سال ها تلاش به دست آمده است؛ بنابراین پیش بینی ریزش کارکنان به مدیران منابع انسانی در استخدام نیروهای ماندگار و حفظ و نگهداری آنها کمک می کند. یکی از ابزارهای کارآمد دراین خصوص استفاده از روش های مختلف داده کاوی است. تعداد کم نمونه ها و نامتوازن بودن داده های ریزش کارکنان و تنظیم ابر پارامترها از جمله مشکلات استفاده از روش های داده کاوی برای پیش بینی ریزش کارکنان است. هدف این تحقیق، ارائه روش های مناسب کاهش ویژگی و پیش پردازش داده ها به همراه ارائه راهکار برای تنظیم مناسب ابر پارامترها برای پیش بینی ریزش کارکنان با استفاده از تکنیک های مختلف داده کاوی و الگوریتم های یادگیری ماشین تجمعی است. باتوجه به نامتوازن بودن داده ها، از روش های کم نمونه گیری تصادفی و ترکیب آن با بیش نمونه گیری تصادفی برای متوازن سازی داده ها با نسبت های متفاوت استفاده شد. باتوجه به مثبت بودن همه داده ها از روش کاهش ابعاد تجزیۀ ماتریس نامنفی NMF استفاده گردید. با استفاده از روش های جستجوی ابر پارامترها، مقادیر بهینه ابر پارامترها برای الگوریتم های پیشنهادی، تعیین شد. برای ارزیابی روش پیشنهادی از مجموعه داده های استاندارد با اندازه های مختلف استفاده شده است. نتایج روش پیشنهادی با نتایج حاصل از سایر روش های مطرح در این حوزه مانند KNN, AdaBoost, DT و SVC مقایسه شده است. نتایج به دست آمده نشان می دهند که مدل پیشنهادی این تحقیق نسبت به تحقیقاتی که در گذشته روی همین داده ها صورت گرفته، دارای دقت پیش بینی بهتری است. طبق بررسی های انجام شده در این تحقیق که با استفاده از یک روش ترکیبی انتخاب ویژگی انجام شد، ویژگی های «سن»، «درآمد ماهیانه»، «نرخ روزانه»، «اضافه کاری» و «تعداد شرکت هایی که کارمند در آنها کارکرده»، بیش ترین تأثیر را بر ریزش کارکنان داشته اند.