C++primer学习笔记(第二章)

本文详细介绍了C++中的变量声明与定义、作用域规则、引用与指针的概念及用法,包括常量引用、指向常量的指针与常量指针的区别等关键知识点。
  • 列表初始化的时候{ },C++编译器会严格的检查类型转换,不符合要求会报错;=初始化则不会出现这一状况。
  • 变量的声明与定义。声明是在别的c++文件中定义了(c++的分离式编译),在当前文件中使用;如果想声明而非定义一个变量,就在变量名前添加extern关键字,而且不要显式地初始化变量。声明:extern int i; 定义:int i; extern int i =10;
  • 变量只能定义一次,但是可以被多次声明。
  • 定义在函数体外的标识符不能以下划线开头
  • 内作用域可以使用外作用域已经存在的名字,优先使用内,加::全局作用符使用外
  • 引用只能绑定在一个对象上,不能换位置,引用不是一个对象,
  • 指针是一个对象,指针无须在定义时赋初值,不能定义引用的指针
  • 大多数情况,指针和所指定的对象的类型要严格匹配,有两个例外,第一允许令一个指向常量的指针指向一个非常量对象
  • 解引用*仅适用于那些确实指向了某些对象的指针
  • NULL是预处理变量
  • int zero =0; pi = zero;这是错的,不能把int变量直接赋值给指针,即使int变量的值正好是0
  • 建议初始化所有指针
  • 赋值永远改变的是等号左边的对象
  • 空指针的值是0,也是fasle,任何非零的指针的条件值是true
  • void*仅仅是一段内存空间的地址,并不能操作对象
  • 变量的定义包括一个基本数据类型和一组声明符
  • 引用不是对象,所以不能定义指向引用的指针
  • 指针的引用 int p = nlltptr ;int &r=p; r是指针p的引用。要理解r的类型是什么,最简单的方法就是从右往左阅读r的定义
  • const对象必须初始化
  • 默认状态下,const对象仅在文件内有效,多个文件共享同一个const变量,定义的时候前面添加extern 关键字
  • 对一个常量进行引用的时候也必须在引用的前面添加const标识符
  • 常量引用是对const引用的简称
  • 引用的类型必须和引用的对象类型一致,但是两个例外,第一,初始化常量引用的时候允许用任意表达式作为初始值 例如double dval =3.14; const int & ri = dval; 就相当于const int tmp = dval; const int &ri =dval; 编译器创建了一个临时对象。注意此时的绑定对象是tmp而非dval
  • int i=42; const int & r2 = i; 这样的情况下,不允许通过r2修改i的值
  • 指向常量的指针(pointer to const)const int * pi =&pii; 和常量指针(const pointer) int * const pi =&pii;  同理从 右边向左边阅读
  • 常量指针必须进行初始化,初始化之后地址就不能变了
  • 顶层const(top-level const)本身是一个const和底层const(low-level const)则与指针或者引用的复合类型的基本类型部分有关
  • 执行对象的拷贝操作时,拷入和拷出的对象必须具有相同的底层const,或者两个对象的数据类型能够相互转换
  • 常量表达式const expression ,由变量的数据类型和初始值共同决定
  • constexpr变量类型,这个变量一定是常量,且必须用常量表达式(包括constexpr函数)进行初始化
  • constexpr int * q =nullptr;两点, 第一,constexpr指针初始值只能是0或者nullptr或者存储于某个固定地址的对象,第二,constexpr仅对于指针有效,和指针所指向的对象无关const int * p = nullptr;大大不同
  • 类型别名typedef double wages; typedef wages base, p; p是double 的指针,新的形式using SI = Sales_item;
typedef char * pstring; 
const pstring cstr =0; //这里的const修饰的是指针,所以pstring是一个常量指针,而不是指向常量的指针
const pstring *ps;
//不能错误地替换pstring 为 char * --》const char * cstr =0;这样将导致错误的理解
  • auto类型 ,auto 一般会忽视顶层const,而保留底层const
  • decltype 指示符 希望从表达式的类型推断出要定义的变量的类型,但是不想用该表达式的值初始化变量
int i =42, *p = &i, &r =i;
decltype(r+0) b;//b是整形(int),因为运算结果是int
decltype (*p) c;//这里的c是引用(&int),因为decltype解引用就是得到引用
  • Remember that decltype(( variable )) (note, double parentheses) is always
    a reference type, but decltype( variable ) is a reference type only if variable
    is a reference.
  • Headers (usually) contain entities (such as class definitions and const and
    constexpr variables (§ 2.4, p. 60)) that can be defined only once in any given file.
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