32/64位机器 数据类型最大值测试

gcc版本

Using built-in specs.
Target: x86_64-redhat-linux
Configured with: ../configure --prefix=/usr --mandir=/usr/share/man --infodir=/usr/share/info --enable-shared --enable-threads=posix --enable-checking=release --with-system-zlib --enable-__cxa_atexit --disable-libunwind-exceptions --enable-libgcj-multifile --enable-languages=c,c++,objc,obj-c++,java,fortran,ada --enable-java-awt=gtk --disable-dssi --enable-plugin --with-java-home=/usr/lib/jvm/java-1.4.2-gcj-1.4.2.0/jre --with-cpu=generic --host=x86_64-redhat-linux
Thread model: posix
gcc version 4.1.2 20080704 (Red Hat 4.1.2-48)

 

/*.int数据类型int类型数据所占内存空间为32位。
其中有符号整型变量取值范围为-2147483648~2147483647,
无符号型整型变量取值范围为0~4294967295U.
*/
int ia = 2147483647;//int 最大值不越界
int iaOver = 2147483647+1;//越界
//32 64位编译结果一样
cout <<"ia不越界:"<<ia<<endl;//ia不越界:2147483647  
cout <<"iaOver越界:"<<iaOver<<endl;//iaOver越界:-2147483648
//32 位编译unsigned int 
unsigned int uia = 4294967295;
unsigned int uiau = 4294967295u;
unsigned int uiOver = 4294967295+1;
unsigned int uiOveru = 4294967295+1u;
cout <<"uia不越界:"<<uia<<endl;//4294967295
cout <<"uiau不越界:"<<uiau<<endl;//4294967295
cout <<"uiOver越界:"<<uiOver<<endl;//0
cout <<"uiOver越界:"<<uiOveru<<endl;//0  */
/*32编译结果
int_long_32_64.cpp:17: warning: this decimal constant is unsigned only in ISO C90
int_long_32_64.cpp:19: warning: this decimal constant is unsigned only in ISO C90
int_long_32_64.cpp:20: warning: this decimal constant is unsigned only in ISO C90
*/
//64 位编译unsigned int 
unsigned int uia = 4294967295;
unsigned int uiau = 4294967295u;
unsigned int uiOver = 4294967295+1;
unsigned int uiOveru = 4294967295+1u;
cout <<"uia不越界:"<<uia<<endl;//4294967295
cout <<"uiau不越界:"<<uiau<<endl;//4294967295
cout <<"uiOver越界:"<<uiOver<<endl;//0
cout <<"uiOver越界:"<<uiOveru<<endl;//0
//64编译结果
/*int_long_32_64.cpp:34: warning: large intege
  • 4
    点赞
  • 14
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
机器学习中的k邻近分析是一种常见的分类算法,它可以根据已有的训练数据对未知数据进行分类。对于天猫数据集来说,k邻近分析可以用来推断和预测天猫平台上商品的分类。 首先,我们需要将天猫的数据集进行预处理。这包括数据清洗、特征选择和数据转换等步骤。通过数据清洗,我们可以去除噪音、处理缺失值和异常值,使数据更加可靠。接着,通过特征选择,我们可以从众多特征中选择出最有价值的特征,以便更好地进行分类。最后,通过数据转换,我们可以将数据转化为适合k邻近算法的数据类型。 接下来,我们可以将数据集划分为训练集和测试集。训练集用来构建k邻近分类器,而测试集用来验证分类器的准确性。对于k邻近算法来说,我们需要选择合适的k值,即代表分类使用的最近邻居的数量。根据测试集的结果,我们可以选择最优的k值。 在进行分类之前,我们还需要对训练集进行归一化处理,以消除不同特征之间的量纲差异。常见的归一化方法包括最大-最小缩放和Z-score归一化。 最后,我们可以利用训练好的k邻近分类器对未知数据进行分类。对于天猫数据集来说,我们可以根据商品的相关特征,如品牌、价格、销量等,将其进行分类。通过对分类结果的评估,我们可以判断分类器的准确性和性能。 总结来说,机器学习中的k邻近分析对于天猫数据集的分类问题提供了一种有效的解决方案。通过预处理数据、构建合适的分类器和评估分类性能,我们可以实现对天猫平台上商品分类的预测和推荐。

“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
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