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/outputs/eval_figures/evaluation_summary.json

@@ -0,0 +1,50 @@
+{
+  "best_model": "lstm_mlp",
+  "metrics": {
+    "lstm_mlp": {
+      "r2": 0.9272,
+      "mse": 0.3597,
+      "rmse": 0.5997,
+      "mae": 0.4735
+    },
+    "xgboost": {
+      "r2": 0.7838,
+      "mse": 1.0687,
+      "rmse": 1.0338,
+      "mae": 0.7578
+    },
+    "gradient_boosting": {
+      "r2": 0.7804,
+      "mse": 1.0854,
+      "rmse": 1.0418,
+      "mae": 0.7651
+    },
+    "random_forest": {
+      "r2": 0.7647,
+      "mse": 1.1631,
+      "rmse": 1.0785,
+      "mae": 0.7921
+    },
+    "extra_trees": {
+      "r2": 0.7577,
+      "mse": 1.1976,
+      "rmse": 1.0943,
+      "mae": 0.8045
+    }
+  },
+  "lstm_prediction_summary": {
+    "prediction_count": 2400,
+    "residual_mean": -0.0498,
+    "residual_std": 0.5976,
+    "risk_accuracy": 0.8562
+  },
+  "feature_importance_model": "xgboost",
+  "generated_files": [
+    "01_模型性能对比.png",
+    "02_LSTM真实值_vs_预测值.png",
+    "03_LSTM残差分析.png",
+    "04_LSTM风险等级混淆矩阵.png",
+    "05_特征重要性_Top15.png",
+    "lstm_predictions.csv"
+  ]
+}