Files
forsetsystem/backend/outputs/eval_figures/evaluation_summary.json
shuo e8235bf3ca 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
2026-04-04 07:15:46 +08:00

50 lines
1.0 KiB
JSON

{
"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"
]
}