26、类图:系统结构建模的关键工具

类图:系统结构建模的关键工具

在系统设计和开发中,类图是一种至关重要的静态模型,它展示了系统中类以及类之间的关系,这些关系在系统运行过程中保持相对稳定。下面我们将详细探讨类图的各个组成部分、不同类型的关系以及相关的操作。

类图的基本元素

类图主要由类、属性、操作和关系等元素构成。

类是类图的核心构建块,用于在系统中存储和管理信息。在分析阶段,类代表系统需要捕获信息的人、地点或事物;在设计和实现阶段,类可以指特定的实现工件,如窗口、表单和其他用于构建系统的对象。每个类用一个三部分的矩形表示,顶部是类名,中间是属性,底部是操作。例如,在一个预约系统的类图中,可能包含参与者(Participant)、医生(Doctor)、患者(Patient)、接待员(Receptionist)、病历(Medical History)、预约(Appointment)和症状(Symptom)等类。

属性

属性是类的特性,用于描述类的状态。属性可以是普通属性,也可以是派生属性。派生属性是可以通过计算得到的属性,其名称前会加一个斜杠(/)。例如,在“人”类中,“/age”就是一个派生属性,可以通过当前日期减去患者的出生日期得到。属性还具有可见性,分为公共(+)、受保护(#)和私有(-)三种。公共属性对其他对象可见,受保护属性仅对其直接子类可见,私有属性对其他类不可见,默认可见性通常为私有。

可见性 描述
公共(+)
根据原作 https://pan.quark.cn/s/459657bcfd45 的源码改编 Classic-ML-Methods-Algo 引言 建立这个项目,是为了梳理和总结传统机器学习(Machine Learning)方法(methods)或者算法(algo),和各位同仁相互学习交流. 现在的深度学习本质上来自于传统的神经网络模型,很大程度上是传统机器学习的延续,同时也在不少时候需要结合传统方法来实现. 任何机器学习方法基本的流程结构都是通用的;使用的评价方法也基本通用;使用的一些数学知识也是通用的. 本文在梳理传统机器学习方法算法的同时也会顺便补充这些流程,数学上的知识以供参考. 机器学习 机器学习是人工智能(Artificial Intelligence)的一个分支,也是实现人工智能最重要的手段.区别于传统的基于规则(rule-based)的算法,机器学习可以从数据中获取知识,从而实现规定的任务[Ian Goodfellow and Yoshua Bengio and Aaron Courville的Deep Learning].这些知识可以分为四种: 总结(summarization) 预测(prediction) 估计(estimation) 假想验证(hypothesis testing) 机器学习主要关心的是预测[Varian在Big Data : New Tricks for Econometrics],预测的可以是连续性的输出变量,分,聚或者物品之间的有趣关联. 机器学习分 根据数据配置(setting,是否有标签,可以是连续的也可以是离散的)和任务目标,我们可以将机器学习方法分为四种: 无监督(unsupervised) 训练数据没有给定...
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