feat: 添加 JD-R 理论分析模块与 SHAP 可解释性分析功能

- 后端新增 JD-R（工作要求-资源）理论维度数据生成，包含工作要求、工作资源、
    个人资源、中介变量共 16 个新特征列
  - 新增 JD-R 分析服务与 API（维度统计、倦怠投入分析、双路径中介分析、
    分组轮廓、风险分布）
  - 新增 SHAP 可解释性分析模块（全局重要性、局部解释、特征交互、依赖图）
  - 预测服务增加风险分类模型加载与概率预测能力
  - 前端新增 JD-R 分析页面（JDRAnalysis.vue），含雷达图、散点图、路径分析等可视化
  - 预测页面增加风险概率展示与 SHAP 特征解释
  - 路由与导航菜单同步更新

backend/api/predict_routes.py

@@ -100,3 +100,18 @@ def get_model_info():
             'message': str(e),
             'data': None
         }), 500
+
+
+@predict_bp.route('/risk-classify', methods=['POST'])
+def risk_classify():
+    try:
+        data = request.get_json()
+        if not data:
+            return jsonify({'code': 400, 'message': 'Request body is required', 'data': None}), 400
+        model_type = data.get('model_type')
+        result = predict_service.predict_risk_classification(data, model_type)
+        if result is None:
+            return jsonify({'code': 404, 'message': 'No classifier available', 'data': None}), 404
+        return jsonify({'code': 200, 'message': 'success', 'data': result})
+    except Exception as e:
+        return jsonify({'code': 500, 'message': str(e), 'data': None}), 500