《二十三种设计模式》 第二篇 “外观模式” (C++实现)

本文深入讲解外观模式,一种用于提供子系统一致接口的设计模式。通过实例演示如何将多个类的功能整合到一个外观类中,简化调用过程,降低系统耦合度。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

定义:外观模式定义了一个将子系统的一组接口集成在一起的高层接口,以提供一个一致的界面。通过这个界面,其它系统可以方便地调用子系统中的功能,而忽略子系统内部发生的变化。

使用场景:

  1. 为一个比较复杂的子系统提供一个简单的接口;
  2. 将客户程序与子系统的实现部分分离,提高子系统的独立性、可移植性;
  3. 简化子系统间的依赖关系。

外观是一个能为子系统和客户提供简单接口的类。当正确的应用外观,客户不再直接和子系统中的类交互,而是与外观交互。外观承担与子系统中类交互的责任。实际上,外观是子系统与客户的接口,这样外观模式降低了子系统和客户的耦合度。
如下图:
在这里插入图片描述
从图中我们可以看到:外观对象隔离了客户和子系统对象,从而降低了耦合度。


上面讲的可能很专业化,没关系,我们通俗的来讲一遍。

外观模式就是将你经常调用的n个类,集合到一个类中进行处理;当你需要调用时,只需要调用该类就行了,而不必要再去一个一个的调用那n个类了,节省了一大步骤。

我们举一个例子:

假如周末放假两天,你希望固定每个周六吃番茄炒蛋,周日吃酸菜鱼。
那么我想你周六会先去买番茄和鸡蛋,然后再煮来吃。
周日也是一样,先去买酸菜和鱼,然年后再煮来吃。

假如你是一个很懒的人,你不想做那么多步骤,就只想立刻吃到,那么有什么方法可以直接帮你省略掉买菜和做菜的过程呢?当然是有的!你可以去餐厅里吃。
好比如下图:
在这里插入图片描述
我们可以通过餐厅类去调用自己需要实现的类。

这时候就是运用到了外观模式,餐厅就是外观类。把复杂的过程封装到外观类内部,用户不再关心内部实现,而是简单的调用即可!


实现代码:

番茄类

class Tomato {
public:
	void tomato() {
		cout << "---番茄---" << endl;
	}
};

鸡蛋类

class Egg {
public:
	void egg() {
		cout << "---鸡蛋---" << endl;
	}
};

酸菜类

class ChineseSauerkraut {
public:
	void chineseSauerkraut() {
		cout << "---酸菜---" << endl;
	}
};

鱼类

class Fish {
public:
	void fish() {
		cout << "---鱼---" << endl;
	}
};

烹饪类

class Cook {
public:
	void cook() {
		cout << "菜做好了,开吃吧!" << endl;
	}
};

餐厅类

class DiningRoom {
public:

	// 番茄炒蛋
	void tomatoFryEgg() {
		_tomato.tomato();// 番茄
		_egg.egg();		// 鸡蛋
		_cook.cook();	// 做菜
	}

	// 酸菜鱼
	void chineseSauerkrautFish() {
		_chineseSauerkraut.chineseSauerkraut();	// 酸菜
		_fish.fish();	// 鱼
		_cook.cook();	// 做菜
	}

private:
	Tomato _tomato;
	Egg _egg;
	ChineseSauerkraut _chineseSauerkraut;
	Fish _fish;
	Cook _cook;
};

客户端调用

DiningRoom diningRoom;

cout << "周六点餐:" << endl;
diningRoom.tomatoFryEgg();	// 番茄炒蛋

cout << "===============" << endl;

cout << "周日点餐:" << endl;
diningRoom.chineseSauerkrautFish();	// 酸菜鱼

运行截图:
在这里插入图片描述


总结:
在这里插入图片描述

应用外观模式是一个很好的设计,它可以降低客户和子系统组件(Address、Account和CreditCard)之间的耦合度。
应用外观模式,定义一个外观类CustomerFacade 。它为由客户数据处理类(Address、Account和CreditCard)所组成的子系统提供一个高层次的、简单的接口。

### 关于周志华机器学习》(西瓜书)第二章学习笔记 #### 模型评估选择概述 模型评估选择机器学习领域的重要组成部分,旨在通过合理的方法评价不同模型的表现并挑选最优者。这一过程不仅涉及如何衡量单个模型的好坏,还包括怎样对比多个候选方案以做出最佳决策。 #### 偏差、方差和噪声的概念解析 偏差度量了学习算法的期望预测实际结果之间的差距,反映了算法自身的拟合精度;方差描述的是相同规模训练集变化引起的学习效果波动情况,体现了数据扰动带来的影响;而噪声则设定了给定任务下所有可能采用的学习方法能达到的最佳预期泛化误差界限,揭示了问题本身固有的复杂性和挑战性[^2]。 #### 性能度量指标——P-R图及其应用 为了更直观地展示各类分类器的工作特性,通常会绘制精确率-召回率(Precision-Recall, P-R)曲线来辅助分析。当面对多组实验结果时,可以通过观察这些图形相互间的位置关系来进行优劣评判:如果某条曲线始终位于另一条之上,则表明前者具有更好的整体表现;而对于那些存在交点的情况,则需进一步计算各自下方区域面积大小作为判断依据之一。此外,“平衡点”作为一种特殊的性能测度,在特定条件下也能提供有价值的参考信息[^3]。 #### 偏差-方差分解理论简介 该理论为理解学习算法的一般化能力提供了框架性的指导思路,通过对平均测试错误率实施拆分操作,可以深入剖析导致过拟合现象背后的原因所在,并据此探索改进措施的方向。具体而言,总误差由三部分构成——不可约减误差点(即噪声)、平方形式表达出来的偏差项以及线性累加而成的方差成分[^4]。 ```python import numpy as np from sklearn.model_selection import train_test_split from sklearn.metrics import precision_recall_curve, auc def evaluate_model_performance(model, X, y): """ 计算并返回PR曲线下面积(AUC),用于量化模型的整体性能。 参数: model (object): 已经训练好的分类模型实例。 X (array-like of shape (n_samples, n_features)): 测试特征矩阵。 y (array-like of shape (n_samples,)): 对应的真实标签向量。 返回: float: PR AUC得分。 """ # 划分训练集/验证集 X_train, X_val, y_train, y_val = train_test_split(X, y, test_size=0.2) # 使用训练集拟合模型 model.fit(X_train, y_train) # 获取验证集中各观测对应的概率估计值 probas_pred = model.predict_proba(X_val)[:, 1] # 绘制PR曲线并求得AUC分数 precisions, recalls, _ = precision_recall_curve(y_val, probas_pred) pr_auc_score = auc(recalls, precisions) return pr_auc_score ```
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

打赏作者

cpp_learners

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

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