用户同意了你推荐的算法，请根据用户上传的数据表和业务需求，自动生成梯度提升树配置。你的输出应严格只输出json格式的数据，具体要求如下：

**输入组成**
1. 用户数据表样例（前3行示意）：
企业名称	营业收入	总资产	负债率 (%)	营业利润	净利润率 (%)	信用评分	信用分类结果
企业A	500万	2000万	60	50万	5	3.0	中信用
企业B	250万	1500万	55	30万	4	4.5	高信用
企业C	800万	2500万	65	70万	2.5	5.0	高信用
2. 用户需求示例：
   "预测企业信用风险评分及分类"
**输出规则**
1. JSON格式严格遵循：
{
    "params": [
        {"key": "y_names", "value": [{"name": "目标变量名称", "raw": 1}]},
        {"key": "x_names", "value": [{"name": "特征1", "raw": 0}, {"name": "特征2", "raw": 0}, ...]},
        {"key": "index_column", "value": [{"name": "索引项", "raw": 1}]}
    ],
    "response": "解释说明",
    "options": ["执行算法"]
}
字段匹配逻辑：
y_names：必须且只能包含1个类别类数据，raw为1表示定类变量。
x_names：必须包含一个或多个变量，定量变量或定类变量均可，raw为1表示定类变量，raw为0表示定量变量。
index_column：索引项可以是类别类数据（如时间、地区等）或数值型数据，且只能有一个或者不设置。raw为1表示定类变量，raw为0表示定量变量。该字段必须存在，但value可以为空数组，表示没有索引列。
注意以上三个字段必须都存在，如果不存在请在response中向用户说明
response：用于向用户解释选取哪些数据作为哪些参数，以及选取这些数据的原因。如果参数齐全，询问用户是否使用该参数执行任务分析。如果缺少必要的参数，提示用户缺少哪些数据
//再次注意x_names必须为定量变量，y_names和index_column必须为定类变量，对于时间，“2016年”属于定类变量，而“2016”属于定量变量
//三个字段“value"均必须为表头中原文
生成示例
/* 示例1 - 企业信用风险评分及分类 */
输入数据表：
企业名称	营业收入	总资产	负债率 (%)	营业利润	净利润率 (%)	信用评分	信用分类结果
企业A	500万	2000万	60	50万	5	3.0	中信用
企业B	250万	1500万	55	30万	4	4.5	高信用
企业C	800万	2500万	65	70万	2.5	5.0	高信用
用户需求："预测企业信用风险评分及分类"
输出配置：
{
    "params": [
        {"key": "y_names", "value": [{"name": "信用分类结果", "raw": 1}]},
        {"key": "x_names", "value": [{"name": "营业收入", "raw": 0}, {"name": "总资产", "raw": 0}, {"name": "负债率 (%)", "raw": 0}, {"name": "营业利润", "raw": 0}, {"name": "净利润率 (%)", "raw": 0}, {"name": "信用评分", "raw": 0}]},
        {"key": "index_column", "value": [{"name": "企业名称", "raw": 1}]}
    ],
    "response": "根据您的数据表和业务需求，我选取了'信用分类结果'作为目标变量，因为它是一个类别类数据，表示企业的信用分类。特征变量包括营业收入、总资产、负债率、营业利润、净利润率和信用评分，这些都是数值型特征，可以用于预测信用风险。索引列选取了企业名称，它是一个类别类数据，适合作为数据的索引。是否使用该参数执行任务分析？",
    "options": ["执行算法"]
}
/* 示例2 - 缺少索引的案例 */
输入数据表：
人口密度	人均收入	交通拥堵指数	空气质量指数	生活满意度
13000人/km²	100000元	8.5	120	中
17000人/km²	120000元	8.0	100	高
10000人/km²	90000元	7.5	90	高
用户需求："预测生活满意度等级"
输出配置：
{
    "params": [
        {"key": "y_names", "value": [{"name": "生活满意度", "raw": 1}]},
        {"key": "x_names", "value": [{"name": "人口密度", "raw": 0}, {"name": "人均收入", "raw": 0}, {"name": "交通拥堵指数", "raw": 0}, {"name": "空气质量指数", "raw": 0}]},
        {"key": "index_column", "value": []}
    ],
    "response": "根据您的数据表和业务需求，我选取了'生活满意度'作为目标变量，它在这里被视作一个类别类数据，表示生活满意度的不同等级。特征变量包括人口密度、人均收入、交通拥堵指数和空气质量指数，这些都是数值型特征，可以用于预测生活满意度。数据表中没有合适的索引列，但不影响算法的执行,是否使用该参数执行任务分析？"
}
/* 示例3 -  用户修改参数配置 */
输入数据表：
企业名称	营业收入	总资产	负债率 (%)	营业利润	净利润率 (%)	信用评分	信用分类结果
企业A	500万	2000万	60	50万	5	3.0	中信用
企业B	250万	1500万	55	30万	4	4.5	高信用
企业C	800万	2500万	65	70万	2.5	5.0	高信用
初始用户需求：
预测企业信用风险评分及分类
用户修改需求：
用户随后补充说明：
自变量去掉营业利润、净利润率和信用评分
输出配置：
{
    "params": [
        {"key": "y_names", "value": [{"name": "信用分类结果", "raw": 1}]},
        {"key": "x_names", "value": [{"name": "营业收入", "raw": 0}, {"name": "总资产", "raw": 0}, {"name": "负债率 (%)", "raw": 0}, {"name": "营业利润", "raw": 0}, {"name": "净利润率 (%)", "raw": 0}, {"name": "信用评分", "raw": 0}]},
        {"key": "index_column", "value": [{"name": "企业名称", "raw": 1}]}
    ],
    "response": "根据您的修改，选取了'信用分类结果'作为目标变量，因为它是一个类别类数据，表示企业的信用分类。特征变量包括营业收入、总资产、负债率，这些都是数值型特征，可以用于预测信用风险。索引列选取了企业名称，它是一个类别类数据，适合作为数据的索引。是否使用该参数执行任务分析？",
    "options": ["执行算法"]
}