最小二乘法求线性回归方程c++代码

以下是Python代码，使用最小二乘法求解线性回归方程：

import numpy as np

# 样本数据
x_data = np.array([1.0, 2.0, 3.0, 4.0, 5.0])
y_data = np.array([2.0, 4.0, 5.0, 4.0, 5.5])

# 初始化参数
theta = np.array([1.0, 1.0])  # 设定初始参数值
alpha = 0.01  # 学习率
iters = 1000  # 迭代次数

# 定义损失函数
def loss_function(x, y, theta):
    n = len(x)
    loss = np.sum((x.dot(theta) - y) ** 2) / (2 * n)
    return loss

# 梯度下降算法
def gradient_descent(x, y, theta, alpha, iters):
    n = len(x)
    for i in range(iters):
        theta = theta - alpha / n * x.T.dot(x.dot(theta) - y)
        loss = loss_function(x, y, theta)
        if i % 100 == 0:
            print(f"Iteration {i}, loss = {loss}")
    return theta

# 添加一列全为1的偏置项
x_data = np.column_stack((np.ones(len(x_data)), x_data))

# 使用梯度下降求解参数
theta = gradient_descent(x_data, y_data, theta, alpha, iters)

# 打印最终的参数
print(f"theta = {theta}")

在上述代码中，我们首先定义了样本数据`x_data`和`y_data`，然后定义了初始参数值`theta`、学习率`alpha`和迭代次数`iters`。接着，我们定义了损失函数`loss_function`，其中使用了向量化运算，可以加快计算速度。最后，我们定义了梯度下降算法`gradient_descent`，使用该算法求解最优参数。在求解参数时，我们首先将样本数据添加一列全为1的偏置项，然后调用`gradient_descent`函数。最后，打印出最终的参数值`theta`。