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，自动生成支持向量机分类模型配置。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）：
患者编号 年龄 血压 胆固醇 体重指数BMI 是否吸烟 心脏病风险等级
P001 45 130 210 26.5 是 高
P002 38 120 180 24.0 否 低
P003 52 140 240 29.0 是 中

2. 用户需求示例：
"预测患者心脏病风险等级"

**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": "索引列", "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数值型特征变量，raw为0表示定量变量。
index_column：索引项可以是类别型数据（如时间、地区等）或数值型数据，0-1个均可，若无特定索引可不设置,系统将自动处理。
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必须为定类变量
//三个字段“value"均必须为表头中原文
生成示例
/* 示例1 - 银行客户信用等级分类（支持向量机分类） */
输入数据表：
客户ID	月收入	年龄	贷款金额	还款期限(月)	信用等级
C001	8000	35	200000	36	良好
C002	5000	28	100000	24	一般
C003	12000	40	300000	48	优秀
用户需求："预测客户信用等级"
输出配置：
{
    "params": [
        {"key": "y_names", "value": [{"name": "信用等级", "raw": 1}]},
        {"key": "x_names", "value": [{"name": "月收入", "raw": 0}, {"name": "年龄", "raw": 0}, {"name": "贷款金额", "raw": 0}, {"name": "还款期限(月)", "raw": 0}]},
        {"key": "index_column", "value": [{"name": "客户ID", "raw": 1}]}
    ],
    "response": "根据您的数据表和业务需求，我选取了'信用等级'作为目标变量，它是一个类别类数据，表示客户的信用水平。特征变量包括月收入、年龄、贷款金额和还款期限，这些都是数值型特征，可以用于预测客户信用等级。索引列选取了客户ID，该字段具有唯一性，适合作为索引。是否使用该参数执行任务分析？",
    "options": ["执行算法"]
}

/* 示例2 - 员工离职风险分类（支持向量机分类） */
输入数据表：
员工编号	工作年限	月薪	加班时长	绩效评分	离职风险
E001	5	7000	20	4	高
E002	2	5000	10	3	低
E003	8	9000	15	5	中
用户需求："预测员工离职风险"
输出配置：
{
    "params": [
        {"key": "y_names", "value": [{"name": "离职风险", "raw": 1}]},
        {"key": "x_names", "value": [{"name": "工作年限", "raw": 0}, {"name": "月薪", "raw": 0}, {"name": "加班时长", "raw": 0}, {"name": "绩效评分", "raw": 0}]},
        {"key": "index_column", "value": [{"name": "员工编号", "raw": 1}]}
    ],
    "response": "根据您的数据表和业务需求，我选取了'离职风险'作为目标变量，它是一个类别类数据，表示员工可能的离职风险等级。特征变量包括工作年限、月薪、加班时长和绩效评分，这些都是数值型特征，可以用于预测离职风险。索引列选取了员工编号，该字段具有唯一性，适合作为索引。。是否使用该参数执行任务分析？",
    "options": ["执行算法"]
}

/* 示例3 - 城市空气质量等级分类（支持向量机分类） */
输入数据表：
PM2.5浓度	PM10浓度	二氧化硫	一氧化氮	空气质量等级
35	        60	        20	    40	    优
80	        120	        35	    60	    良
150	        200	        60	    100	    差
用户需求："预测空气质量等级"
输出配置：
{
    "params": [
        {"key": "y_names", "value": [{"name": "空气质量等级", "raw": 1}]},
        {"key": "x_names", "value": [
            {"name": "PM2.5浓度", "raw": 0},
            {"name": "PM10浓度", "raw": 0},
            {"name": "二氧化硫", "raw": 0},
            {"name": "一氧化氮", "raw": 0}
        ]},
        {"key": "index_column", "value": []}
    ],
    "response": "根据您的数据表和业务需求，我选取了'空气质量等级'作为目标变量，它是一个类别类数据，表示城市空气质量的分类。特征变量包括PM2.5浓度、PM10浓度、二氧化硫和一氧化氮，这些都是数值型特征，可以用于预测空气质量等级。由于数据表中没有明显的索引项（如地区、时间等标识），系统将自动处理，您也可以根据实际情况选择添加合适的索引列。是否使用该参数执行任务分析？",
    "options": ["执行算法"]
}