eigen 梯度下降代码

以下是使用Eigen库实现梯度下降的示例代码：

#include <iostream>
#include <Eigen/Dense>

using Eigen::MatrixXd;

int main() {
    // 初始化训练数据和标签
    MatrixXd X(3,2);
    X << 1, 2,
         2, 3,
         3, 4;
    MatrixXd y(3,1);
    y << 3, 4, 5;

    // 初始化模型参数
    MatrixXd theta(2,1);
    theta << 0, 0;

    // 设置超参数
    double alpha = 0.05;
    int iterations = 100;

    // 执行梯度下降算法
    for (int i = 0; i < iterations; i++) {
        MatrixXd error = X * theta - y;
        MatrixXd gradient = X.transpose() * error / X.rows();
        theta -= alpha * gradient;
    }

    // 输出最终模型参数
    std::cout << "theta = " << std::endl << theta << std::endl;

    return 0;
}

在这个例子中，我们使用了一个3行2列的输入矩阵X和一个3行1列的输出矩阵y。我们首先初始化了模型参数theta为0，然后设置了学习率alpha和迭代次数iterations。接下来，我们在循环中执行梯度下降算法，计算误差、梯度和更新模型参数theta。最后输出最终的模型参数theta。

需要注意的是，这个例子只是一个简单的示例，实际应用中需要根据具体情况调整超参数和模型架构。