解释下这段代码：orig_label = test_label_bp[:,0:-1]*(np.reshape(test_label_bp[:,-1] - 300,[np.shape(test_label_bp)[0],1])*np.ones([1,np.shape(test_label_bp)[1]-1])) + 300 orig_predicts = inv_predicts[:,0:-1]*(np.reshape(inv_predicts[:,-1] - 300,[np.shape(inv_predicts)[0],1])*np.ones([1,np.shape(inv_predicts)[1]-1])) + 300 error = np.abs(orig_label - orig_predicts) Accuracy = 100 * ( 1 - error/orig_label )

这段代码是用来计算预测结果的准确率（Accuracy）。首先，代码中的`test_label_bp`和`inv_predicts`分别表示测试集的真实标签和预测结果。接下来的两行代码是对这些结果进行一些处理。

首先，`orig_label`的计算使用了以下步骤：

1. `test_label_bp[:,0:-1]`表示取`test_label_bp`中的所有行，除了最后一列。这是为了获取标签的前n-1个值。
2. `np.reshape(test_label_bp[:,-1] - 300,[np.shape(test_label_bp)[0],1])`对`test_label_bp`中的最后一列减去300，并将其变形为一个列向量，大小为`[np.shape(test_label_bp)[0],1]`。这是为了将标签的最后一个值减去300。
3. `np.ones([1,np.shape(test_label_bp)[1]-1])`创建一个大小为`[1,np.shape(test_label_bp)[1]-1]`的矩阵，其中元素全为1。这是为了创建一个与标签前n-1个值相同大小的矩阵。
4. 将步骤2和步骤3得到的矩阵相乘，得到一个与标签前n-1个值相同大小的矩阵，其中每个元素等于标签的最后一个值减去300。
5. 将步骤1得到的矩阵与步骤4得到的矩阵相乘，再加上300，得到最终的`orig_label`。

同样的，`orig_predicts`的计算也是类似的，只是将`test_label_bp`替换为`inv_predicts`。

接下来，代码中的`error`计算了真实标签和预测结果之间的绝对误差。

最后，`Accuracy`通过计算`(1 - error/orig_label)`得到准确率，并将其乘以100，以百分比的形式表示。