此處僅給出程式碼實現，具體原理及過程請看前面的博文

測試檔案輸入格式如下：

2 10 0.01 10
2104 3 399900
1600 3 329900
2400 3 369000
1416 2 232000
3000 4 539900
1985 4 299900
1534 3 314900
1427 3 198999
1380 3 212000
1494 3 242500
輸出如下：

53052890086.237
51993904900.868
50956770155.817
49941026552.120
48946224657.273
47971924687.609
47017696295.619
46083118362.109
45167778793.089
44271274321.262
30014.457 8183.543 4763.016
 

特徵值的歸一化方法與之前的博文不太一樣，採用了另一種歸一方式：

具體的實現程式碼如下：

#include <iostream>
#include <stdio.h>
#include <math.h>
using namespace std;
double predict(double* w,double* data,int feature_num){
    double sum=0;
    for(int i=0;i<feature_num;i++){
        sum+=w[i]*data[i];
    }
    return sum;
}
double Theta(double **training_set,int featue_num,int training_num,double* w){
    double sum=0;
    for(int i=0;i<training_num;i++){
        sum+=(training_set[i][featue_num]-predict(w,training_set[i],featue_num))*(training_set[i][featue_num]-predict(w,training_set[i],featue_num));
    }
    return sum/(2*training_num);
}
void gradient_descent(double** training_set,int feature_num,int training_num,double* w,double a,int iterator_time){
    while(iterator_time--){
        double* del_theta=new double[feature_num];
        for(int i=0;i<feature_num;i++){
            del_theta[i]=0;
            for(int j=0;j<training_num;j++){
                del_theta[i]+=(predict(w,training_set[j],feature_num)-training_set[j][feature_num])*training_set[j][i];
            }
        }
        //w[i]的更新必須等所有的del_theta測算出來了才可以！不然更新的會影響沒更新的
        //上述問題在程式碼內表示即是下面的for迴圈不能和上面的合併！
        for(int i=0;i<feature_num;i++)
            w[i]-=a*del_theta[i]/(double)training_num;
        printf("%.3lf\n", Theta(training_set,feature_num,training_num,w));
        delete[] del_theta;
    }
    for(int i=0;i<feature_num-1;i++){
        printf("%.3lf ", w[i]);
    }
    printf("%.3lf\n", w[feature_num-1]);
    return;
}
void feature_normalize(double **feature_set,int feature_num,int training_num){
//特徵歸一化，此處特徵歸一化方法略有不同於梯度下降那篇的特徵歸一化方法
//問題：特徵歸一化Y的值需要歸一化麼？不需要！
    double *average=new double[feature_num];
    double  *stanrd_divition=new double[feature_num];
    for(int i=1;i<feature_num;i++){
        double sum=0;
        for(int j=0;j<training_num;j++){
            sum+=feature_set[j][i];
        }
        average[i]=sum/training_num;
    }
    for(int i=1;i<feature_num;i++){
        double sum=0;
        for(int j=0;j<training_num;j++){
            sum+=(feature_set[j][i]-average[i])*(feature_set[j][i]-average[i]);
        }
        stanrd_divition[i]=sqrt((sum/(training_num-1)));
    }
    for(int i=1;i<feature_num;i++)
        for(int j=0;j<training_num;j++){
            feature_set[j][i]=(feature_set[j][i]-average[i])/(double)stanrd_divition[i];
        }
    delete[] stanrd_divition;
    delete[] average;
}
int main(){
    int feature_num,training_num,times;
    double a;
    //自己測試時請修改路徑
   freopen("in.txt","r",stdin);
    while(cin>>feature_num>>training_num>>a>>times){
        double **featurn_set=new double*[training_num];
        //int *arr=new int[10] 意味著聲明瞭一個數組，大小為10，型別為int
        for(int i=0;i<training_num;i++){
            featurn_set[i]=new double[feature_num+2];
        }
        for(int i=0;i<training_num;i++) featurn_set[i][0]=1;
        for(int i=0;i<training_num;i++){
            for(int j=1;j<=feature_num+1;j++){
                cin>>featurn_set[i][j];
            }
        }
        //在特徵標準化的時候w0完全一樣，就直接賦值為一，不要進行標準化了，不然會出錯
       feature_normalize(featurn_set,feature_num+1,training_num);
       for(int i=0;i<training_num;i++) featurn_set[i][0]=1;
        double* w=new double[feature_num+1];
        for(int i=0;i<=feature_num;i++)
            w[i]=0;
        gradient_descent(featurn_set,feature_num+1,training_num,w,a,times);
        for(int i=0;i<training_num;i++) delete[] featurn_set[i];
        delete[] featurn_set;
        delete[] w;
        //一般情況，需要將w=NULL，原因是為了防止w再次呼叫delete刪除了不該刪除的東西
 }
    return 0;
} 
 

執行結果如下：