任务描述 本关任务：编写一个对未完成的任务重新定价效果从两个方面评估：成本增加额和新增任务完成量。请给出具体程序计算实现，其中成本增加额=新定价总和-原定价总和，新增任务完成量=8.5模型输出为1的数量*模型准确率小程序。 相关知识 为了完成本关任务，你需要掌握：1.任务完成增加量，2.成本增加额 任务增加量 根据前面的分析，首先构造支持向量机分类模型所需的训练和测试数据，示例代码如下： xx=xx.as_matrix() #转化为数组 yy=A4.reshape(len(A4),1) #任务执行情况，因变量 #对自变量与因变量按训练80%、测试20%随机拆分 from sklearn.model_selection import train_test_split xx_train, xx_test, yy_train, yy_test = train_test_split(xx, yy, test_size=0.2, random_state=4) 其次，导入支持向量机模型，并利用随机拆分的训练

以下是为您完善的代码： ```python # -*- coding: utf-8 -*- # Z 为计算得到的十二个指标数据以.npy 文件保存读取出来的结果 # 对得到的 Z 进行空值处理 # 判断指标之间是否存在较强的相关性 # 进行标准化处理标准化 # 进行主成分分析处理 # 构建多元线性回归模型 # 非线性神经网络模型构建任务定价模型 import pandas as pd # 导入 pandas 库 import numpy as np # 导入 numpy 库 import math # 导入数学函数模 import fun # 导入定义的函数 def return_values(): A = pd.read_excel('附件一：已结束项目任务数据.xls') Z = np.load('Z.npy') # 转化为数组 xx = xx.as_matrix() yy = A4.reshape(len(A4), 1) # 任务执行情况，因变量 # 对自变量与因变量按训练 80%、测试 20%随机拆分 from sklearn.model_selection import train_test_split xx_train, xx_test, yy_train, yy_test = train_test_split(xx, yy, test_size=0.2, random_state=4) # 用高斯核，训练数据类别标签作平衡策略 clf = svm.SVC(kernel='rbf', class_weight='balanced') clf.fit(xx_train, yy_train) rv2 = clf.score(xx_train, yy_train) # 模型准确率 yy1 = clf.predict(xx_test) yy1 = yy1.reshape(len(yy1), 1) r = yy_test - yy1 rv3 = len(r[r == 0]) / len(r) # 预测准确率 # 计算任务完成增加量 P = clf.predict(xx_0) # 预测结果，1 - 执行，0 - 未被执行 R1 = len(P[P == 1]) # 预测被执行的个数 R1 = int(R1 * rv3) # 任务完成增加量 # 计算成本增加额 R2 = sum(y_0r) - sum(y_0) # 成本增加额 return (R1, R2) # 额外需要注意的逻辑点： # 1. 确保数据的质量和完整性，避免空值或异常值对计算结果的影响。 # 2. 对于模型的选择和参数调整，需要根据实际数据特点进行优化。 # 3. 在计算成本增加额和任务完成增加量时，要仔细检查计算逻辑和公式的准确性。 ``` [2025-05-04 22:31:18 | AI写代码神器 | 612点数解答]