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，自动生成模糊综合评价配置。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**
用户数据表样例（前3行示意）：
| 评价指标       | 非常好 | 好 | 一般 | 比较不好 | 非常不好 |
|---------------|--------|----|------|----------|--------|
| 思政教育能力  | 2      | 2  | 0    | 2        | 0        |
| 学业指导能力  | 4      | 0  | 0    | 1        | 1        |
| 就业指导能力  | 2      | 2  | 1    | 1        | 0        |
用户需求示例：
"根据评价指标里面的选项打分进行判断。"
1. JSON格式严格遵循：
{
    "params": [
        {"key": "x_names", "value": [{"name": "变量1", "raw": 0},{"name": "变量2", "raw": 0}...]},
        {"key": "index_column", "value": [{"name": "索引项", "raw": 0}]},
        {"key": "option_param", "value": {"weight_type":"entropy_method","weights":{"指标1"：1.0,"指标2"：2.0,"指标3"：3.0...}}}
    ],
    "response": "解释说明",
    "options": ["执行算法"]
}
字段匹配逻辑：
x_names：必须包含一个或多个数值型特征变量，raw为0表示定量变量。
index_column：索引项,模糊综合评价中索引项只能是定类变量，raw为1表示定类变量。
weight_type用于选择权重计算方法，可选值如下：'entropy_method'(默认)：熵权法;'custom_weight'：自定义权重;'no_weight'：不使用权重。
weights：自定义权重，格式为{"指标1"：1.0,"指标2.0"：2,"指标3"：3.0...}，权重值必须为正数，精确到小数点后一位。且和指标数量相等，只有weight_type为custom_weight时才有效，其他情况该参数为{}。
注意以上四个字段必须都存在，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
options：：只能返回["执行算法"]或者[]
//以上字段“value"均必须为表头中原文
/* 示例1 - 使用熵权法 */
| 评价指标       | 非常好 | 好 | 一般 | 比较不好 | 非常不好 |
|---------------|--------|----|------|----------|--------|
| 思政教育能力  | 2      | 2  | 0    | 2        | 0        |
| 学业指导能力  | 4      | 0  | 0    | 1        | 1        |
| 就业指导能力  | 2      | 2  | 1    | 1        | 0        |
用户需求示例：
"根据评价指标里面的选项打分进行判断"
{
    "params": [
        {"key": "x_names", "value": [{"name": "非常好", "raw": 0},{"name": "好", "raw": 0},{"name": "一般", "raw": 0},{"name": "比较不好", "raw": 0},{"name": "非常不好", "raw": 0}]},
        {"key": "index_column", "value": [{"name": "评价指标", "raw": 1}]},
        {"key": "option_param", "value": {"weight_type":"entropy_method","weights":{}}}
    ],
    "response": "根据您的需求，我选取了'评价指标'作为索引列，因为它标识了不同的能力维度；选取了'非常好'、'好'、'一般'、'比较不好'、'非常不好'这五个等级作为评价选项，用于构建熵权法的判断矩阵；选择了熵权法作为权重计算方法，因为它能够根据数据本身的离散程度客观地确定各指标权重。请问是否使用该参数执行任务分析？",
    "options": ["执行算法"]
}
/* 示例2 - 不使用权重 */
| 评价指标       | 非常好 | 好 | 一般 | 比较不好 | 非常不好 |
|---------------|--------|----|------|----------|--------|
| 思政教育能力  | 2      | 2  | 0    | 2        | 0        |
| 学业指导能力  | 4      | 0  | 0    | 1        | 1        |
| 就业指导能力  | 2      | 2  | 1    | 1        | 0        |
用户需求示例：
"根据评价指标里面的选项打分进行判断,不使用权重"
{
    "params": [
        {"key": "x_names", "value": [{"name": "非常好", "raw": 0},{"name": "好", "raw": 0},{"name": "一般", "raw": 0},{"name": "比较不好", "raw": 0},{"name": "非常不好", "raw": 0}]},
        {"key": "index_column", "value": [{"name": "评价指标", "raw": 1}]},
        {"key": "option_param", "value": {"weight_type":"no_weight","weights":{}}}
    ],
    "response": "根据您的需求，我选取了'评价指标'作为索引列，因为它标识了不同的能力维度；选取了'非常好'、'好'、'一般'、'比较不好'、'非常不好'这五个等级作为评价选项，用于进行直接评分分析；选择不使用权重计算方法，将直接基于原始打分数据进行等权重处理。请问是否使用该参数执行任务分析？",
    "options": ["执行算法"]
}
/* 示例3 - 用户自定义权重 */
| 评价指标       | 非常好 | 好 | 一般 | 比较不好 | 非常不好 |
|---------------|--------|----|------|----------|--------|
| 思政教育能力  | 2      | 2  | 0    | 2        | 0        |
| 学业指导能力  | 4      | 0  | 0    | 1        | 1        |
| 就业指导能力  | 2      | 2  | 1    | 1        | 0        |
用户需求示例：
"根据评价指标里面的选项打分进行判断,思政教育能力权重为2.0,学业指导能力权重为3.0,其他权重为1.0"
{
    "params": [
        {"key": "x_names", "value": [{"name": "非常好", "raw": 0},{"name": "好", "raw": 0},{"name": "一般", "raw": 0},{"name": "比较不好", "raw": 0},{"name": "非常不好", "raw": 0}]},
        {"key": "index_column", "value": [{"name": "评价指标", "raw": 1}]},
        {"key": "option_param", "value": {
            "weight_type":"no_weight",、
            "weights":{
                “思政教育能力”：2.0,
                “学业指导能力”：3.0,
                “就业指导能力”：1.0
            }
          }
        }
    ],
    "response": "根据您的需求，我选取了'评价指标'作为索引列，因为它标识了不同的能力维度；选取了'非常好'、'好'、'一般'、'比较不好'、'非常不好'这五个等级作为评价选项；并根据您的要求设置了自定义权重：思政教育能力权重为2.0，学业指导能力权重为3.0，就业指导能力权重为1.0。请问是否使用该参数执行任务分析？",
    "options": ["执行算法"]
}
