一元二次方程
题目:解一元二次方程ax2+bx+c=0的解
输入:输入有三行,分别是三个实数a,b,c的值,且a不等于
输出:输出两个根X1和X2,用空格隔开,具体格式为:X1 X2其中大的根先输出,即X1>=X2。结果保留两位小数。数据保证一定有实根
输入:
1 5 -2
输出:0.37 -5.37
import java.util.Scanner; public class 一元二次方程 { public static void main(String[] args) { Scanner scanner = new Scanner(System.in); // 获取输入的系数 System.out.print("请输入系数 a:"); double a = scanner.nextDouble(); System.out.print("请输入系数 b:"); double b = scanner.nextDouble(); System.out.print("请输入系数 c:"); double c = scanner.nextDouble(); // 计算方程的实根 double discriminant = b * b - 4 * a * c; if (discriminant > 0) { // 有两个实根 double root1 = (-b + Math.sqrt(discriminant)) / (2 * a); double root2 = (-b - Math.sqrt(discriminant)) / (2 * a); System.out.println("方程的实根为 " + root1 + " 和 " + root2); } else if (discriminant == 0) { // 有一个实根 double root = -b / (2 * a); System.out.println("方程的实根为 " + root); } else { // 没有实根 System.out.println("方程没有实根"); } } }
知识点
discriminant
判别分析是一种统计方法,用于根据已知分类的样本建立判别函数,并对新样本进行分类。
基础步骤
-
数据收集:收集一批已经分类的样本数据,这些数据将作为训练集。
-
特征选择:从数据中选择有助于区分不同类别的特征。
-
建立模型:根据训练集数据,使用统计方法来确定不同类别的判别函数。常见的判别函数有线性判别分析(LDA)、二次判别分析(QDA)和主成分分析(PCA)等。
-
优化模型:通过调整模型参数,使得模型在训练集上的分类错误率最小。
-
验证模型:使用一部分数据(验证集)来测试模型的准确性和泛化能力。
-
模型评估:评估模型的性能,常用的评估指标有准确率、召回率、F1分数等。
-
应用模型:将建立好的判别函数应用于新样本,判断其属于哪个类别。
-
结果解释:对判别结果进行解释,可能需要结合领域知识来理解判别结果。在实际操作中,判别分析的实现通常涉及以下数学概念:
-
均值:不同类别样本的均值向量。
-
协方差矩阵:描述样本数据分布的矩阵。
-
距离度量:如欧氏距离、马氏距离等,用于计算新样本与各类别中心的距离。
-
概率密度函数:用于估计样本属于某个类别的概率。
整除
题目:判断一个数n能否同时被3和5整除。
输入:输入一个正整数n
输出:如果能够同时被3和5整除,输出Yes,否则输出No
输入:15
输出:Yes
import java.util.Scanner; public class 整除 { public static void main(String[] srgs){ Scanner scanner = new Scanner(System.in); int n = scanner.nextInt(); if(n%3==0&&n%5==0){ System.out.println(n+"Yes"); } else{ System.out.println(n+"No"); } } }