shenjianZ
e63267cef6
- 新增中国企业员工缺勤模拟数据集生成脚本(generate_dataset.py)，覆盖7个行业、180家企业、2600名员工 - 重构 config.py，更新特征字段为中文名称，调整目标列、员工ID、行业类型等配置 - 重构 clustering.py，简化聚类逻辑，更新聚类特征和群体命名（高压通勤型、健康波动型等） - 重构 feature_mining.py，更新相关性分析和群体比较维度（按行业、班次、婚姻状态等） - 新增 model_features.py 定义模型训练特征 - 更新 preprocessing.py 和 train_model.py 适配新数据结构 - 更新各 API 路由默认参数（model: random_forest, dimension: industry） - 前端更新主题样式和各视图组件适配中文字段 - 更新系统名称为 China Enterprise Absence Analysis System
62 lines
1.4 KiB
Markdown
62 lines
1.4 KiB
Markdown
# 答辩汇报提纲
|
|
|
|
## 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
|
|
|
|
## 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
|
|
- 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
|
|
|
|
## 4. 核心功能展示顺序
|
|
|
|
### 4.1 数据概览
|
|
|
|
- 展示总量指标
|
|
- 展示月度趋势、星期分布、原因分布、季节分布
|
|
|
|
### 4.2 影响因素分析
|
|
|
|
- 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
|
|
|
|
- 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
|
|
|
|
### 4.4 员工画像
|
|
|
|
- 展示群体雷达图
|
|
- 展示聚类结果与散点图
|
|
|
|
## 5. 技术实现亮点
|
|
|
|
- 前后端分离结构清晰
|
|
- 采用多模型训练与比较
|
|
- 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
|
|
|
|
## 6. 项目成果
|
|
|
|
- 系统可完成统计、分析、预测、画像四类任务
|
|
- 页面可视化效果完整
|
|
- 项目文档和论文材料配套齐全
|
|
|
|
## 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
|