编写一个函数（您选择编程语言）来有效地计算单变量多项式：f(x) = a0 + a1*x + a2*x^2 + a3*x^3 + … + an*x^n。 请注意，n 不是常数。 接口可以如下所示（在 C++ 中）：（15 分） double calcPoly(const vector<double>& a, double x) { ...

以下是一个用 C++ 编写的函数，用于计算单变量多项式：

double calcPoly(const vector<double>& a, double x) {
    double result = 0.0;
    double xn = 1.0; // x^n
    for (int i = 0; i < a.size(); i++) {
        result += a[i] * xn;
        xn *= x;
    }
    return result;
}

该函数以向量 a 和实数 x 作为输入参数，向量 a 包含多项式系数 a0、a1、a2、a3、...、an，其中 n 是多项式的次数。函数通过迭代向量 a 中的所有系数，并使用幂次为 i 的 x 的值来计算每个系数的乘积，并将所有乘积相加，最终返回多项式在 x 处的值。

这个函数的时间复杂度为 O(n)，其中 n 是多项式的次数。

相关问题

import numpy as np from sklearn.linear_model import LinearRegression from sklearn.preprocessing import PolynomialFeatures from sklearn.model_selection import train_test_split np.random.seed(100) def genY(x): a0, a1, a2, a3, e = 0.01, -0.2, 0.3, -0.04, 0.05 yr = a0 + a1 * x + a2 * (x ** 2) + a3 * (x ** 3) + e y = yr + 0.03 * np.random.rand(1) return y def model_train(x, y): return score if __name__ == '__main__': # 利用np中的linspace生成线性数据 x = np.linspace(-1, 1, 200) # 用公式算出y y = [genY(a) for a in x] x = x.reshape(-1, 1) y = np.array(y).reshape(-1, 1) print(model_train(x, y))

这段代码是一个简单的机器学习模型的训练过程，使用的是线性回归模型和多项式特征。具体来说，该代码生成了一组200个在[-1,1]区间内均匀分布的自变量x，针对每个自变量x，使用预设的一组系数和噪声生成一个因变量y，最后将x和y分别转换成numpy数组，作为训练模型的输入。model_train函数则是训练模型的核心部分，但是它的具体实现还需要补充。在这个函数中，应该先将x进行多项式特征转换，然后使用线性回归模型对转换后的特征和y进行拟合，并返回模型的评分。最后，在主函数中，打印出模型评分的结果。

计算一元n次多项式P（x,n）=a0+a1x+a2x2+……+anxn的值,输入x,n,a0,a1,……an,输出多项式P(x,n)的值

可以用以下的代码实现计算一元n次多项式的值：

function calc_poly_value(x, n, ...)
    local args = {...}

    local res = args[1]
    for i = 2, n + 1 do
        res = res + args[i] * math.pow(x, i - 1)
    end

    return res
end

其中，`x` 表示多项式中的变量值，`n` 表示多项式最高次数，`...` 表示每个系数 `a0` 到 `an`（共 n+1 个参数）。

例如，如果要计算多项式 `P(x) = 2 + 3x + 4x^2 + 5x^3` 在 `x=2` 时的值，则可以这样调用函数：

print(calc_poly_value(2, 3, 2, 3, 4, 5)) -- 输出 56

这里的参数依次是 `x=2`, `n=3`, `a0=2`, `a1=3`, `a2=4`, `a3=5`。函数的返回值为 `P(2)=56`。

希望这个回答能够解决你的问题！