C++ 2元线性回归模型代码实现 不借助三方库

在C++中实现二元线性回归模型通常涉及手动计算梯度下降等优化算法，这里是一个简单的例子，没有使用第三方库，假设我们有一个二维数据集 `(x1, y)` 来拟合一条直线 `y = ax + b`：

#include <iostream>
#include <vector>
#include <cmath>

// 定义数据结构
struct DataPoint {
    double x;
    double y;
};

// 求均值函数
double mean(const std::vector<double>& values) {
    double sum = 0;
    for (auto& value : values)
        sum += value;
    return sum / values.size();
}

// 计算斜率和截距的函数
void linearRegression(std::vector<DataPoint>& data, double& a, double& b) {
    int n = data.size();
    
    // 初始化均值和偏移量
    double avg_x = mean({d.x for (const auto& d : data});
    double avg_y = mean({d.y for (const auto& d : data});

    // 矩阵乘法，计算必要的值
    double numerator = 0., denominator1 = 0., denominator2 = 0.;
    for (int i = 0; i < n; ++i) {
        numerator += (data[i].x - avg_x) * (data[i].y - avg_y);
        denominator1 += pow(data[i].x - avg_x, 2);
        denominator2 += 1;
    }

    // 计算a和b
    a = numerator / denominator1;
    b = avg_y - a * avg_x;
}

int main() {
    std::vector<DataPoint> data = { ... }; // 假设这里有你的数据点
    double a, b;

    linearRegression(data, a, b);

    std::cout << "线性回归方程: y = " << a << "*x + " << b << std::endl;
    
    return 0;
}

在这个例子中，你需要提供一个包含 `x` 和 `y` 值的数据向量，并运行 `linearRegression` 函数来获取拟合的线性回归模型。