java复习笔记day05

本文深入探讨Java中的继承性和多态性概念,包括类的继承、方法的重载与重写,以及super关键字的使用。同时,文章解析了多态性的实现原理,如子类对象的多态性及虚拟方法调用。

1.继承性的使用:继承性是类与类之间的一种关系的描述。
1.1为什么要有类的继承性?
减少了冗余;提供了代码的复用性;更好的扩展性;为多态的使用,提供前提。
1.2格式:class B extends A{}
1.3特点:子类继承父类后,就获取了父类中声明的结构:属性、方法。子类在继承父类的基础上,还可以定义自己特有的结构:属性、方法。
强调的是:子类可以获取父类中声明为private的结构的,只是由于封装性的影响,子类不可以直接调用罢了。
1.4子父类是相对的概念。
一个父类(超类)可以被多个子类所继承。
反之,一个子类只能有声明一个父类。
2.java.lang.Object类的理解:
如果一个类没有显式声明父类的话,则默认继承于java.lang.Object类。
所有的java类(除了Object类)都直接或间接地继承于java.lang.Object类。
所有的java类在权限允许的情况下,可以调用java.lang.Object类中的结构。
3.【面试题】区分:方法的重载(overload)与重写(overwrite/override)
重载:同一个类中,相同名字,不同参数列表的方法之间构成重载。
重写:
定义:在有了类的继承之后,子类可以对父类中声明的方法进行“覆盖”或“覆写”,对方法的“覆盖”或“覆写”就称为方法的重写。
使用:子类重写了父类的方法以后,如果通过子类的对象调用重写的方法,此时执行的就是子类重写父类的方法。
规则:
子类中:重写的方法;父类中:被重写的方法。
格式:权限修饰符 返回值类型 方法名(形参列表) throws 异常类型{//方法体}
规则:1.子类重写的方法必须与父类被重写的方法的“方法名(形参列表)”相同。
2.权限修饰符:子类重写的方法的权限修饰不小于父类被重写的方法的权限修饰。
特别的:子类不能重写父类中的private方法。
3.返回值类型:父类被重写的方法的返回值类型是void,则子类重写的方法的返回值类型也必须是void。
4.返回值类型:父类被重写的方法的返回值类型不是void,子类重写的方法的返回值类型不大于父类被重写的返回值类型。
比如:父类的方法返回的是Person类型,子类方法可以返回Person类型或Person的子类类型。
5.异常:子类重写的方法抛出异常类型 不大于 父类被重写方法抛出的异常类型。
6.子类或父类同名同形参的方法,要么都声明为static的,要么都声明为非static。

4.四种访问权限大小:
private(类内部可以使用)<缺省(同一个包中可以使用)<protected(不同包子类可以使用)<public(任何地方可以使用)
5.关键字:super
super在子类中可以调用父类的方法(super.方法)、属性(super.属性),构造方法(super(参数列表))。我们可以在子类的方法或构造器中调用父类的属性或方法(前提:权限允许),但是,多数情况下,我们都选择省略此“super.”。但是,如果子类中出现同名的属性或者子类对父类的方法进行了重写同时又希望调用父类中被重写的方法的情况下,为了区分同名的属性或方法,可以使用“super.属性”或者“super.方法”的方式,显式地表明调用的是父类的属性、父类中被重写的方法。
明确:子类的属性不能覆盖父类中同名的属性。
super调用构造器:
在子类的构造器中,可以通过“super(形参列表)”的方式,显式地调用父类中指定的构造器。
“super(形参列表)”结构如果使用,必须声明在子类的构造器的首行!
在子类构造器的首行,不能同时使用“this(形参列表)”或“super(形参列表)”。
默认情况下,在子类构造器的首行,使用“super()”。
n个构造方法中,至少有一个方法的首行使用的是super()。
在子类构造器的首行,要么使用“this(形参列表)”,要么使用“super(形参列表)”,没有别的情况了。
6.super开发中的一个小问题:
父类:

package com;
public class Account{
	private double balance;
	
	public Account(double balance){
		this.balance = balance;
	}
}

子类:

package com;
public class CheckingAccount extends Account{
	public CheckingAccount(){
	//	double d ;
	//	super(d);
	}
}

以上子类与父类的搭配会报错:
由于父类中含有带参构造器,故系统不会提供默认的无参构造器。因此在子类的默认构造器中默认调用父类的super()时会调不到。解决方案有两个:一是在父类中手动声明无参构造器;二是在子类的构造器中调用父类的含参构造器。
7.多态性的使用:
7.1多态:可以理解为一个事物的多种形态。
7.2多态性在java中的体现:(广义上)
方法的重载和重写。
子类对象的多态性。
7.3多态性在java中的体现:(狭义上)
子类对象的多态性:父类的引用指向子类的对象(或子类的对象赋给父类的引用)。
7.4多态的使用情景:虚拟方法调用:在编译时(javac.exe),我们关注引用变量声明的类型,只能通过引用变量调用父类中的结构。但在运行时(java.exe),实际调用的是子类重写父类的方法。
总结:编译看左边,运行看右边。
7.5子类对象的多态性使用前提:类的继承性;方法的重写。父类不能调用子类所特有的结构。
7.6对于属性来说,没有多态的概念。

标题SpringBoot智能在线预约挂号系统研究AI更换标题第1章引言介绍智能在线预约挂号系统的研究背景、意义、国内外研究现状及论文创新点。1.1研究背景与意义阐述智能在线预约挂号系统对提升医疗服务效率的重要性。1.2国内外研究现状分析国内外智能在线预约挂号系统的研究与应用情况。1.3研究方法及创新点概述本文采用的技术路线、研究方法及主要创新点。第2章相关理论总结智能在线预约挂号系统相关理论,包括系统架构、开发技术等。2.1系统架构设计理论介绍系统架构设计的基本原则和常用方法。2.2SpringBoot开发框架理论阐述SpringBoot框架的特点、优势及其在系统开发中的应用。2.3数据库设计与管理理论介绍数据库设计原则、数据模型及数据库管理系统。2.4网络安全与数据保护理论讨论网络安全威胁、数据保护技术及其在系统中的应用。第3章SpringBoot智能在线预约挂号系统设计详细介绍系统的设计方案,包括功能模块划分、数据库设计等。3.1系统功能模块设计划分系统功能模块,如用户管理、挂号管理、医生排班等。3.2数据库设计与实现设计数据库表结构,确定字段类型、主键及外键关系。3.3用户界面设计设计用户友好的界面,提升用户体验。3.4系统安全设计阐述系统安全策略,包括用户认证、数据加密等。第4章系统实现与测试介绍系统的实现过程,包括编码、测试及优化等。4.1系统编码实现采用SpringBoot框架进行系统编码实现。4.2系统测试方法介绍系统测试的方法、步骤及测试用例设计。4.3系统性能测试与分析对系统进行性能测试,分析测试结果并提出优化建议。4.4系统优化与改进根据测试结果对系统进行优化和改进,提升系统性能。第5章研究结果呈现系统实现后的效果,包括功能实现、性能提升等。5.1系统功能实现效果展示系统各功能模块的实现效果,如挂号成功界面等。5.2系统性能提升效果对比优化前后的系统性能
在金融行业中,对信用风险的判断是核心环节之一,其结果对机构的信贷政策和风险控制策略有直接影响。本文将围绕如何借助机器学习方法,尤其是Sklearn工具包,建立用于判断信用状况的预测系统。文中将涵盖逻辑回归、支持向量机等常见方法,并通过实际操作流程进行说明。 一、机器学习基本概念 机器学习属于人工智能的子领域,其基本理念是通过数据自动学习规律,而非依赖人工设定规则。在信贷分析中,该技术可用于挖掘历史数据中的潜在规律,进而对未来的信用表现进行预测。 二、Sklearn工具包概述 Sklearn(Scikit-learn)是Python语言中广泛使用的机器学习模块,提供多种数据处理和建模功能。它简化了数据清洗、特征提取、模型构建、验证与优化等流程,是数据科学项目中的常用工具。 三、逻辑回归模型 逻辑回归是一种常用于分类任务的线性模型,特别适用于二类问题。在信用评估中,该模型可用于判断借款人是否可能违约。其通过逻辑函数将输出映射为0到1之间的概率值,从而表示违约的可能性。 四、支持向量机模型 支持向量机是一种用于监督学习的算法,适用于数据维度高、样本量小的情况。在信用分析中,该方法能够通过寻找最佳分割面,区分违约与非违约客户。通过选用不同核函数,可应对复杂的非线性关系,提升预测精度。 五、数据预处理步骤 在建模前,需对原始数据进行清理与转换,包括处理缺失值、识别异常点、标准化数值、筛选有效特征等。对于信用评分,常见的输入变量包括收入水平、负债比例、信用历史记录、职业稳定性等。预处理有助于减少噪声干扰,增强模型的适应性。 六、模型构建与验证 借助Sklearn,可以将数据集划分为训练集和测试集,并通过交叉验证调整参数以提升模型性能。常用评估指标包括准确率、召回率、F1值以及AUC-ROC曲线。在处理不平衡数据时,更应关注模型的召回率与特异性。 七、集成学习方法 为提升模型预测能力,可采用集成策略,如结合多个模型的预测结果。这有助于降低单一模型的偏差与方差,增强整体预测的稳定性与准确性。 综上,基于机器学习的信用评估系统可通过Sklearn中的多种算法,结合合理的数据处理与模型优化,实现对借款人信用状况的精准判断。在实际应用中,需持续调整模型以适应市场变化,保障预测结果的长期有效性。 资源来源于网络分享,仅用于学习交流使用,请勿用于商业,如有侵权请联系我删除!
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值