应使用std::vector存储数据并校验长度相等且非空，用std::accumulate计算均值，全程double避免整数截断，分母为零时返回水平线。
用 std::vector 存数据，别手写数组索引循环
线性回归核心是求解斜率 m 和截距 b，公式依赖均值和协方差。手动管理原始数组容易越界或漏算均值偏移，直接用 std::vector<double></double> 更安全。注意：两个向量长度必须严格相等，否则后续除零或访问越界会触发未定义行为。
常见错误现象：nan 或极大幅值结果，往往源于 x 全相同（分母为 0）或向量长度不一致却没校验。
- 先检查
x.size() == y.size() && !x.empty() - 用
std::accumulate算均值，避免int累加导致整数溢出 - 所有中间计算用
double，别让int除法截断小数
手撸公式比调库更可控，但得防分母为零
不用 armadillo 或 mlpack 也能写出稳定版本，关键在分母 sum_xx - sum_x * sum_x / n —— 这是 x 的离差平方和，为零说明所有 x 值相同，此时无法定义斜率，只能返回水平线（m = 0, b = mean_y）。
示例片段：
组合式C++代码评审方案，融合静态分析、AI推理、多轮迭代评审和C++专项检查，适用于PR审查、增量代码审查、全项目评审和代码质量评分，触发词包括review cpp、cpp代码评审、C++review、代码审查。
立即学习“C++免费学习笔记（深入）”；
double m = 0.0, b = 0.0;
double n = x.size();
double sum_x = std::accumulate(x.begin(), x.end(), 0.0);
double sum_y = std::accumulate(y.begin(), y.end(), 0.0);
double sum_xy = 0.0, sum_xx = 0.0;
for (size_t i = 0; i < n; ++i) {
sum_xy += x[i] * y[i];
sum_xx += x[i] * x[i];
}
double denom = sum_xx - sum_x * sum_x / n;
if (std::abs(denom) < 1e-12) {
m = 0.0;
b = sum_y / n;
} else {
m = (sum_xy - sum_x * sum_y / n) / denom;
b = (sum_y - m * sum_x) / n;
}
拟合后验证残差，不是算完就完事
得到 m 和 b 后，至少快速扫一遍残差平方和（RSS）：用 (y[i] - (m * x[i] + b)) * (y[i] - (m * x[i] + b)) 累加。如果 RSS 接近原始 y 的方差，说明拟合没明显崩；如果 RSS 比方差还大，大概率是数据异常或符号弄反了。
- 别跳过
std::abs判断分母，浮点比较用1e-12而非== 0 - 输入含
NaN或inf时，std::accumulate会污染整个结果，建议提前用std::isfinite过滤 - 若需多次拟合，把计算逻辑封装成函数，参数用
const std::vector<double>&</double>避免拷贝
扩展到多维？先别急着改代码
这个实现只支持一元线性回归（单个 x 变量）。有人试图把 std::vector<:vector>></:vector> 塞进去套同样公式，结果必错——多元回归需要矩阵求逆或 QR 分解，std::vector 手撸极易维度错位或内存越界。真要上多元，要么用 Eigen 的 MatrixXd，要么老实用最小二乘正规方程并显式检查矩阵条件数。
最易被忽略的一点：即使是一元拟合，当 x 值范围极大（如时间戳毫秒级）时，sum_xx 和 sum_x * sum_x / n 可能因浮点精度抵消而失真，这时该先中心化 x（减均值），算完再还原截距。
