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 分类模型的编写以及训练，并测试该模型的分类性能。

要在不使用外部库的情况下完成线性回归（而非分类）模型，你需要从头构建基本的数学运算。线性回归通常用于预测连续数值，而不是分类。对于分类任务，我们更常用逻辑回归或决策树等算法。

以下是一个简单的Python代码示例，用于创建和训练一个基于手动计算的简单线性回归模型：

# 假设我们有一个二维数据集，每个样本包含两个特征x1, x2和一个目标值y
data = [
    [1, 2, 3],  # 样本1
    [4, 5, 6],  # 样本2
    # 更多样本...
]

# 计算均值和协方差矩阵
n_samples = len(data)
x_sum = sum(x for sample in data for x in sample[:-1])
mean_x = x_sum / n_samples

def covariance_matrix():
    cov = [[0, 0], [0, 0]]
    for i in range(len(data[0]) - 1):
        for j in range(i, len(data[0]) - 1):
            cov[i][j] = sum((sample[i] - mean_x[j]) for sample in data) / (n_samples - 1)
            cov[j][i] = cov[i][j]
    return cov

cov = covariance_matrix()

# 计算斜率b和截距a
b = cov[1][1] / cov[0][0]
a = mean_y - b * mean_x

# 手动实现预测
def predict(x):
    return a + b * x

# 预测整个数据集并评估（假设最后一列是目标值）
predictions = [predict(sample[:-1]) for sample in data]
# 手动计算误差或其他评估指标，例如平均绝对误差(MAE)或均方误差(MSE)

然而，这并不是一个好的实践，因为实际上在Python中我们会使用像`numpy`这样的库来进行高效的数学计算，而在机器学习中，我们会使用如`sklearn`之类的库来快速搭建和训练模型。对于分类任务，我们通常会使用`scikit-learn`中的`LogisticRegression`或者其他分类器。