第10章

眾包任務(wù)定價優(yōu)化方案任務(wù)完成增加量完整實現(xiàn)代碼成本增加額任務(wù)完成增加量第10章

任務(wù)完成增加量表示新方案與舊方案的執(zhí)行任務(wù)數(shù)量差。通過將此前計算的12個指標和任務(wù)數(shù)據(jù)中的任務(wù)定價共13個指標數(shù)據(jù)作為自變量，任務(wù)完成情況指標數(shù)據(jù)作為因變量，訓練支持向量機分類模型，并對任務(wù)數(shù)據(jù)中未執(zhí)行任務(wù)重新定價后的執(zhí)行情況進行分類預(yù)測。xx=pd.concat((Data,A.iloc[:,[3]]),axis=1)#12個指標和附件1的任務(wù)定價作為自變量xx=xx.as_matrix()#轉(zhuǎn)化為數(shù)組yy=A4.reshape(len(A4),1)#任務(wù)執(zhí)行情況指標數(shù)據(jù)作為因變量#對自變量與因變量按訓練80%、測試20%隨機拆分fromsklearn.model_selectionimporttrain_test_splitxx_train,xx_test,yy_train,yy_test=train_test_split(xx,yy,test_size=0.2,random_state=4)(1)構(gòu)造訓練數(shù)據(jù)和測試數(shù)據(jù)。示例代碼如下：任務(wù)完成增加量第10章

執(zhí)行結(jié)果如下：任務(wù)完成增加量：68執(zhí)行結(jié)果如下：模型準確率：0.7140718562874252預(yù)測準確率：0.6826347305389222(3)計算任務(wù)完成增加量，示例代碼如下：xx_0=np.hstack((Z[A4==0,1:],y_0r.reshape(len(y_0r),1)))#預(yù)測自變量P=clf.predict(xx_0)#預(yù)測結(jié)果，1表示被執(zhí)行，0表示未被執(zhí)行R1=len(P[P==1])#預(yù)測被執(zhí)行的個數(shù)R1=int(R1*rv3)#任務(wù)完成增加量print('任務(wù)完成增加量：',R1)fromsklearnimportsvm#用高斯核，訓練數(shù)據(jù)類別標簽作平衡策略clf=svm.SVC(kernel='linear',class_weight='balanced')clf.fit(xx_train,yy_train)rv2=clf.score(xx_train,yy_train);#模型準確率yy1=clf.predict(xx_test)yy1=yy1.reshape(len(yy1),1)r=yy_test-yy1rv3=len(r[r==0])/len(r)#預(yù)測準確率print('模型準確率：',rv2)print('預(yù)測準確率：',rv3)(2)導入支持向量機模型，并利用隨機拆分的訓練數(shù)據(jù)訓練支持向量機模型，同時顯示預(yù)測準確率。示例代碼如下：成本增加額第10章

成本增加額的計算很簡單，直接利用未執(zhí)行任務(wù)的新定價減去原定價即可。示例代碼如下：R2=sum(y_0r)-sum(y_0)#成本增加額print('成本增加額：',R2)執(zhí)行結(jié)果如下：成本增加額：[-34.91059877]從結(jié)果可以看出，新定價方案不僅使得任務(wù)完成增加量有所提高，同時成本略有減少。完整實現(xiàn)代碼第10章

下面給出任務(wù)定價模型構(gòu)建和方案評價的完整實現(xiàn)代碼。完整示例代碼如下：importnumpyasnpimportpandasaspdZ=np.load('Z.npy')Data=pd.DataFrame(Z[:,1:])Data=Data.fillna(0)R=Data.corr()fromsklearn.preprocessingimportStandardScalerscaler=StandardScaler()data=Data.values#數(shù)據(jù)框轉(zhuǎn)化為數(shù)組形式scaler.fit(data)data=scaler.transform(data)fromsklearn.decompositionimportPCApca=PCA(n_components=0.9)#累計貢獻率提取在0.9以上pca.fit(data)x=pca.transform(data)#返回主成分tzxl=ponents_#特征向量

tz=pca.explained_variance_#特征值

gxl=pca.explained_variance_ratio_#累計貢獻率完整實現(xiàn)代碼第10章

#線性回歸A=pd.read_excel('附件1：已結(jié)束項目任務(wù)數(shù)據(jù).xls')A4=A.iloc[:,4].valuesx_0=x[A4==0,:]#未執(zhí)行任務(wù)主成分數(shù)據(jù)x_1=x[A4==1,:]#執(zhí)行任務(wù)主成分數(shù)據(jù)y=A.iloc[:,3].valuesy=y.reshape(len(y),1)y_0=y[A4==0]#未執(zhí)行任務(wù)定價數(shù)據(jù)y_1=y[A4==1]#執(zhí)行任務(wù)定價數(shù)據(jù)fromsklearn.linear_modelimportLinearRegressionasLRlr=LR()#創(chuàng)建線性回歸模型類lr.fit(x_1,y_1)#擬合Slr=lr.score(x_1,y_1)#判定系數(shù)R2c_x=lr.coef_#x對應(yīng)的回歸系數(shù)c_b=ercept_#回歸系數(shù)常數(shù)項print('判定系數(shù)：',Slr)完整實現(xiàn)代碼第10章

fromsklearn.neural_networkimportMLPRegressor#兩個隱含層300×5clf=MLPRegressor(solver='lbfgs',alpha=1e-5,hidden_layer_sizes=(300,5),random_state=1)clf.fit(x_1,y_1);rv1=clf.score(x_1,y_1)y_0r=clf.predict(x_0)print('擬合優(yōu)度：',rv1)xx=pd.concat((Data,A.iloc[:,[3]]),axis=1)#12個指標和附件1的任務(wù)定價作為自變量xx=xx.values#轉(zhuǎn)化為數(shù)組yy=A4.reshape(len(A4),1)#任務(wù)執(zhí)行情況指標數(shù)據(jù)作為因變量#對自變量與因變量按訓練80%、測試20%隨機拆分fromsklearn.model_selectionimporttrain_test_splitxx_train,xx_test,yy_train,yy_test=train_test_split(xx,yy,test_size=0.2,random_state=4)完整實現(xiàn)代碼第10章

fromsklearnimportsvm#用高斯核，訓練數(shù)據(jù)類別標簽作平衡策略clf=svm.SVC(kernel='rbf',class_weight='balanced')clf.fit(xx_train,yy_train)rv2=clf.score(xx_train,yy_train);#模型準確率yy1=clf.predict(xx_test)yy1=yy1.reshape(len(yy1),1)r=yy_test-yy1rv3=len(r[r==0])/len(r)#預(yù)測準確率print('模型準確率：',rv2)print('預(yù)測準確率：',rv3)xx_0=np.hstack((Z[A4==0,1:],y_0r.reshape(len(y_0r),1)))#預(yù)測自變量P=clf.pre