11.08作业

定义一个学生类:成员-->姓名、年龄、成绩以及相关函数 定义一个老师类:成员-->年龄、职称以及相关函数 由学生类和老师类共同派生出研究生类:成员-->性别 实例化就研究生类的对象,并输出该对象的所有信息

#include <iostream>
#include <string>
using namespace std;
class person
{
public:
	string m_name;
	int m_age;
	virtual void show() = 0;
};
class student :virtual public person
{
public:
	student() {}
	student(string c, int a, double b)
	{
		m_name = c;
		m_age = a;
		m_score = b;
	}
	double m_score;
	virtual void show()
	{
		cout << "学生姓名= " << m_name << "  学生年龄= " << m_age << "  学生分数= " << m_score << endl;
	}
};
class teacher:virtual public person
{
public:
	teacher() {}
	teacher(int a, string p)
	{
		m_age = a;
		position = p;
	}
	virtual void show()
	{
		cout << "老师年龄= " << m_age << "  老师职称= " << position << endl;
	}
private:
	string position;
};
class graduate :public student, public teacher
{
public:
	graduate(string a, int b, double c, char d)
	{
		m_name = a;
		m_age = b;
		m_score = c;
		sex = d;
	}
	void show()
	{
		cout << "学生姓名= " << m_name << "  学生性别= " << sex << "  学生年龄= " << m_age << " 学生成绩= " << m_score << endl;
	}
private:
	char sex;
};
void doshow(person* p)
{
	p->show();
}
int main()
{
	graduate g1("二哈", 25, 99.6, 'M');
	doshow(&g1);
	return 0;
}

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
这是一个使用 logistic 回归模型进行二分类问题建模得到的结果表格,其中包含了模型参数、标准误差、假设检验结果以及模型性能指标等信息。具体解释如下: - net1:模型名称或编号。 - Coef.:每个特征的系数,用于计算该特征对分类结果的贡献。例如,party 特征的系数为 3.579,表示该特征对分类结果的贡献比其他特征更大。 - St.Err.:每个系数的标准误差,反映了该系数的抽样误差大小。 - t-value:各个系数的 t 值,用于检验该系数是否显著。例如,party 特征的 t 值为 11.08,p 值为 0,说明该特征对分类结果的贡献是显著的。 - p-value:各个系数的 p 值,用于检验该系数是否显著。例如,gender 特征的 p 值为 0.213,大于 0.05,说明该特征对分类结果的贡献不显著。 - [95% Conf. Interval]:每个系数的置信区间,用于表示该系数的真实值可能落在哪个区间内。 - Sig:各个系数的显著性标识,用于表示该系数是否显著。例如,*** 表示 p<.01,即该特征对分类结果的贡献非常显著。 - Mean dependent var:样本的平均分类结果,例如该样本中 35.1% 的个体分类为正例。 - SD dependent var:样本分类结果的标准差,例如该样本中分类结果的标准差为 0.477。 - Pseudo r-squared:模型的拟合优度指标,表示模型对样本分类结果的解释程度,此处为伪 R 方。该值越高,模型对样本分类结果的解释越好。 - Number of obs:样本的观测数,即样本量。 - Chi-square:模型的卡方值,用于检验模型的拟合优度。该值越大,说明模型对样本分类结果的解释能力越强。 - Prob > chi2:卡方检验结果的 p 值,用于检验模型的拟合优度是否显著。 - Akaike crit. (AIC):模型的 AIC 值,用于比较不同模型的拟合优度。该值越小,说明模型对未知样本的预测能力越好。 - Bayesian crit. (BIC):模型的 BIC 值,用于比较不同模型的拟合优度。该值越小,说明模型对未知样本的预测能力越好。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 1
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