feat: update clustering implementation and docs

docs/08_答辩汇报提纲.md

@@ -3,20 +3,23 @@
 ## 1. 课题背景
 
 - 企业缺勤管理存在统计分散、分析不及时、预测能力不足的问题
-- 本课题旨在构建一个可视化、可分析、可预测的缺勤管理辅助系统
+- 单纯做预测不够，还需要解释“为什么员工会缺勤”
+- 本课题以 `JD-R` 理论为基础，构建一个可视化、可分析、可预测、可解释的缺勤管理辅助系统
 
 ## 2. 课题目标
 
 - 展示缺勤数据整体分布
 - 分析关键影响因素
-- 实现缺勤风险预测
+- 用 `JD-R` 理论解释缺勤形成机制
+- 实现缺勤风险预测与解释
 - 构建员工群体画像
 
 ## 3. 系统总体设计
 
 - 前后端分离架构
 - 前端负责界面与图表
-- 后端负责数据处理、模型预测与聚类分析
+- 后端负责数据处理、模型预测、`JD-R` 分析与聚类分析
+- 系统包含 `SHAP` 解释能力
 
 ## 4. 核心功能展示顺序
 
@@ -30,13 +33,20 @@
 - 展示特征重要性排序
 - 解释为什么请假类型、医院证明、加班通勤压力等因素更重要
 
-### 4.3 缺勤预测
+### 4.3 `JD-R` 理论分析
+
+- 展示工作要求、工作资源、个人资源三维度
+- 展示工作倦怠与工作投入分布
+- 展示健康损伤路径和激励路径
+- 说明理论如何支撑“为什么要分析缺勤”
+
+### 4.4 缺勤预测
 
 - 输入关键字段
-- 展示预测时长与风险等级
-- 展示模型对比结果
+- 展示预测时长、风险等级与模型对比
+- 展示 `SHAP` 局部解释
 
-### 4.4 员工画像
+### 4.5 员工画像
 
 - 展示群体雷达图
 - 展示聚类结果与散点图
@@ -45,18 +55,18 @@
 
 - 前后端分离结构清晰
 - 采用多模型训练与比较
-- 引入 LSTM+MLP 深度学习模型，支持时序行为建模
-- 融合特征工程与聚类分析
-- 前端页面采用卡片式可视化布局，适合展示
+- 引入基于 `Transformer` 的时序注意力融合深度学习模型
+- 将 `JD-R` 心理学理论映射为可计算的数据字段与复合指标
+- 融合 `SHAP` 全局/局部解释，增强结果可解释性
 
 ## 6. 项目成果
 
-- 系统可完成统计、分析、预测、画像四类任务
+- 系统可完成统计、分析、理论解释、预测、画像五类任务
 - 页面可视化效果完整
-- 项目文档和论文材料配套齐全
+- 文档、论文材料与代码实现保持一致
 
 ## 7. 不足与改进方向
 
 - 可进一步引入真实企业数据
-- 可加入更复杂的深度学习模型
-- 可引入权限管理、报表导出和数据库存储
+- 可继续提升理论变量测量精度
+- 可加入权限管理、报表导出和数据库存储