在不调用外部库的前提下，在自己组的数据集上，独立完成 线性回归 和分类模型的编写以及训练，并测试该模型的分类性能。

要不依赖外部库独立地实现线性回归和分类模型，我们可以使用Python的基本数学操作和数组处理功能。这里我们将使用numpy库来进行矩阵计算，但请注意这并不是推荐的做法，因为实际项目中通常会使用像scikit-learn这样的库，它提供了更高效、易于使用的接口。

**线性回归**

首先，我们需要定义一个简单的线性回归模型。假设我们有一个二维数据集（特征x和标签y），我们可以按照以下步骤进行：

1. **加载和准备数据**
假设数据存储在一个列表或数组里，每行包含一个样本，第一列是特征，第二列是对应的标签。

import numpy as np

# 假设我们有如下数据
data = np.array([[1, 2], [2, 4], [3, 5], ...]) # 更多数据
X = data[:, 0] # 特征
y = data[:, 1] # 标签

2. **简单线性回归模型**
你可以使用梯度下降算法来找到最佳权重（w0和w1）。

def gradient_descent(X, y, learning_rate=0.01, num_iterations=1000):
    m, n = X.shape
    w0 = 0
    w1 = 0
    
    for _ in range(num_iterations):
        y_pred = w0 + w1 * X
        dw0 = -np.sum(y_pred - y) / m
        dw1 = -np.sum((y_pred - y) * X) / m
        w0 -= learning_rate * dw0
        w1 -= learning_rate * dw1
        
    return w0, w1

w0, w1 = gradient_descent(X, y)

3. **预测和评估**
使用这些权重进行预测，并计算均方误差(MSE)或其他评估指标。

predictions = w0 + w1 * X
mse = ((predictions - y)**2).mean()

**逻辑回归（二分类）**

对于分类，可以采用类似于线性回归的方法，但是使用sigmoid函数将输出转换为概率形式。以下是一个简单的实现：

1. 定义sigmoid函数
2. 训练模型（可以使用交叉熵损失函数）
3. 预测和评估（使用准确率或其他分类指标）

由于涉及到数值优化和概率计算，这里不做详细的代码，你可以查阅教材或在线资源获取相关算法。

**相关问题--:**
1. 如何利用梯度下降法求解多元线性回归的最优参数？
2. 为什么要使用Sigmoid函数在逻辑回归中？
3. 分类问题常用的评价指标有哪些？
4. 在没有外部库的情况下如何处理缺失值或异常值？