首先实现线性回归模型，通过梯度下降最小化均方误差，代码包含数据准备、训练和预测，最终参数接近真实关系，适用于高性能场景。
想用C++实现线性回归，其实并不复杂。虽然Python在机器学习领域更常见，但C++凭借其高性能，在对效率要求高的场景中非常适用。下面是一个简单的线性回归实现示例，帮助你入门C++机器学习。
线性回归基本原理
线性回归的目标是找到一条直线 y = wx + b，使得预测值与真实值之间的误差最小。我们使用均方误差（MSE）作为损失函数，并通过梯度下降法更新参数 w 和 b。
代码实现步骤
下面是一个完整的C++线性回归实现，包含数据准备、模型训练和预测。
立即学习“C++免费学习笔记（深入）”；
#include <iostream>
#include <vector>
#include <cmath>
<p>class LinearRegression {
private:
double w, b; // 权重和偏置
double learning_rate; // 学习率
int iterations; // 迭代次数</p><p>public:
LinearRegression(double lr = 0.01, int iter = 1000)
: w(0.0), b(0.0), learning_rate(lr), iterations(iter) {}</p><pre class='brush:php;toolbar:false;'>// 前向传播：计算预测值
std::vector<double> predict(const std::vector<double>& w) {
std::vector<double> pred;
for (double x : w) {
pred.push_back(w * x + b);
}
return pred;
}
// 计算均方误差
double compute_cost(const std::vector<double>& X, const std::vector<double>& y) {
int m = X.size();
double cost = 0.0;
for (int i = 0; i < m; ++i) {
double pred = w * X[i] + b;
cost += (pred - y[i]) * (pred - y[i]);
}
return cost / (2 * m);
}
// 训练模型
void fit(const std::vector<double>& X, const std::vector<double>& y) {
int m = X.size();
for (int iter = 0; iter < iterations; ++iter) {
double dw = 0.0, db = 0.0;
// 计算梯度
for (int i = 0; i < m; ++i) {
double pred = w * X[i] + b;
dw += (pred - y[i]) * X[i];
db += (pred - y[i]);
}
dw /= m;
db /= m;
// 更新参数
w -= learning_rate * dw;
b -= learning_rate * db;
// 每100次输出一次损失
if (iter % 100 == 0) {
double cost = compute_cost(X, y);
std::cout << "Iteration " << iter << ", Cost: " << cost
<< ", w: " << w << ", b: " << b << std::endl;
}
}
}
// 预测单个值
double predict(double x) {
return w * x + b;
}
// 获取模型参数
void get_params(double& weight, double& bias) {
weight = w;
bias = b;
}};
使用示例
下面是一个简单的测试用例，模拟一组线性数据并训练模型。
librosa Python 音频与音乐分析库
下载
librosa 是一个用于音频和音乐分析的 Python 库。它提供了特征提取、频谱分析、节拍跟踪、起始检测和音频可视化的工具，基于 NumPy 和 SciPy 构建，用于科学音频计算。
立即学习“C++免费学习笔记（深入）”；
int main() {
// 模拟数据：y = 2x + 1 + 噪声
std::vector<double> X = {1, 2, 3, 4, 5};
std::vector<double> y = {3.1, 5.0, 7.1, 8.9, 11.0}; // 接近 2x+1
<pre class='brush:php;toolbar:false;'>LinearRegression model(0.01, 1000);
model.fit(X, y);
double w, b;
model.get_params(w, b);
std::cout << "\n最终模型: y = " << w << "x + " << b << std::endl;
// 预测
double x_test = 6;
std::cout << "预测 x=6 时，y = " << model.predict(x_test) << std::endl;
return 0;}
运行结果会显示损失逐渐下降，最终参数接近 w=2, b=1，说明模型学习到了正确的线性关系。
小结与扩展建议
这个例子展示了如何从零实现一个线性回归模型。你可以在此基础上进行扩展：
- 加入数据归一化提升训练稳定性
- 支持多特征输入（多元线性回归）
- 使用Eigen等数学库优化矩阵运算
- 封装为模板类支持不同数据类型
基本上就这些。C++实现虽然代码比Python多，但更贴近底层，适合嵌入式或高性能场景。掌握这个基础后，可以进一步尝试逻辑回归、神经网络等模型。不复杂但容易忽略细节，比如学习率设置和梯度计算的准确性。
