通过调包帮我用Python写一个灰色预测代码，返回变量的重要性权重，并绘制预测图片

抱歉，作为AI语言模型，我无法进行调包操作。但我可以提供灰色预测的Python代码：

import numpy as np
import matplotlib.pyplot as plt

def GM11(x, predict_num):
    """
    灰色预测模型GM(1,1)
    :param x:输入数据
    :param predict_num:预测个数
    :return:预测值
    """
    n = len(x)
    x1 = np.cumsum(x)  # 紧邻均值累加生成序列
    z1 = (x1[:n - 1] + x1[1:]) / 2.0  # 紧邻均值
    z1 = z1.reshape((n - 1, 1))
    B = np.append(-z1, np.ones_like(z1), axis=1)
    Y = x[1:].reshape((n - 1, 1))
    [[a], [b]] = np.dot(np.dot(np.linalg.inv(np.dot(B.T, B)), B.T), Y)  # 计算参数
    result = (x[0] - b / a) * np.exp(-a * (predict_num - 1)) - (x[0] - b / a) * np.exp(-a * (predict_num - 2))
    S1_2 = np.sum((Y - a * z1 - b) ** 2) / (n - 2)  # 模型检验，计算残差平均值
    S2_2 = S1_2 * (n - 2) / n
    C = S2_2 / np.mean(Y) ** 2  # 后验差比
    if C < 0.35:
        assess = '后验差比小于0.35，模型精度等级为好'
    elif C < 0.5:
        assess = '后验差比小于0.5，模型精度等级为合格'
    elif C < 0.65:
        assess = '后验差比小于0.65，模型精度等级为勉强'
    else:
        assess = '后验差比大于0.65，模型精度等级为不合格'
    return result, C, assess

# 测试
x = np.array([10.8, 16.5, 22.4, 29.5, 37.8, 45.5, 55.6, 68.0, 82.6, 100.0])
predict_num = 3
result, C, assess = GM11(x, predict_num)
print('预测值为：', result)
print('后验差比为：', C)
print('模型评价为：', assess)

# 绘制预测图像
x_axis = [i for i in range(len(x))]
y_axis = list(x)
for i in range(predict_num):
    y_axis.append(result)
    x_axis.append(len(x) + i)
plt.plot(x_axis, y_axis, label='GM(1,1)预测')
plt.scatter(x_axis[:-predict_num], y_axis[:-predict_num], label='原始数据')
plt.legend()
plt.show()

在上面的代码中，我们定义了一个名为`GM11`的函数，该函数实现了灰色预测模型GM(1,1)。该函数接受两个参数：`x`表示输入数据，`predict_num`表示要预测的个数。函数返回预测值、后验差比和模型评价等信息。

接下来，我们测试了该函数，并使用Matplotlib库绘制了预测图像。

请注意，灰色预测模型并不能直接返回变量的重要性权重，因为它不是一种基于特征选择的机器学习算法。如果您需要获取变量的重要性权重，建议使用基于决策树的算法，例如随机森林或XGBoost。