e8235bf3ca
- 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
32 lines
978 B
Python
32 lines
978 B
Python
from core.shap_analysis import SHAPAnalyzer
|
|
|
|
|
|
class SHAPService:
|
|
"""SHAP 可解释性分析服务"""
|
|
|
|
def __init__(self):
|
|
self._analyzer = None
|
|
|
|
def _ensure_analyzer(self):
|
|
if self._analyzer is None:
|
|
self._analyzer = SHAPAnalyzer()
|
|
|
|
def get_global_importance(self, model_type='random_forest'):
|
|
self._ensure_analyzer()
|
|
return self._analyzer.global_shap_values(model_type)
|
|
|
|
def get_local_explanation(self, data, model_type='random_forest'):
|
|
self._ensure_analyzer()
|
|
return self._analyzer.local_shap_values(data, model_type)
|
|
|
|
def get_interactions(self, model_type='random_forest', top_n=10):
|
|
self._ensure_analyzer()
|
|
return self._analyzer.shap_interaction(model_type, top_n)
|
|
|
|
def get_dependence(self, feature_name, model_type='random_forest'):
|
|
self._ensure_analyzer()
|
|
return self._analyzer.shap_dependence(feature_name, model_type)
|
|
|
|
|
|
shap_service = SHAPService()
|