使用Haskell编写一个机器学习算法

下面是一个使用Haskell编写的简单线性回归算法的例子：

import Data.List (transpose)

-- 根据训练数据计算最小二乘法的解
linearRegression :: [(Double, Double)] -> (Double, Double)
linearRegression trainingData =
    let (xValues, yValues) = unzip trainingData
        n = fromIntegral $ length xValues
        xMean = sum xValues / n
        yMean = sum yValues / n
        xVar = sum $ map (\x -> (x - xMean)^2) xValues
        xyCov = sum $ zipWith (\x y -> (x - xMean) * (y - yMean)) xValues yValues
        slope = xyCov / xVar
        intercept = yMean - slope * xMean
    in (slope, intercept)

-- 使用线性回归模型进行预测
predict :: (Double, Double) -> Double -> Double
predict (slope, intercept) x = intercept + slope * x

-- 使用示例
main :: IO ()
main = do
    let trainingData = [(1, 1), (2, 3), (3, 5), (4, 7), (5, 9)]
    let model = linearRegression trainingData
    let testInput = 6.0
    let prediction = predict model testInput
    putStrLn $ "Prediction for input " ++ show testInput ++ ": " ++ show prediction

这个示例中，我们使用最小二乘法来计算线性回归模型的参数。linearRegression 函数接受一个包含训练数据的列表，每个训练数据是一个 (x, y) 对。函数根据训练数据计算出斜率和截距，然后返回一个元组 (slope, intercept)。

predict 函数接受一个线性回归模型和一个输入值 x，然后使用模型进行预测，返回预测结果。

在 main 函数中，我们定义了一个训练数据集 trainingData，其中包含了一些 (x, y) 数据对。然后，我们使用 linearRegression 函数计算出线性回归模型。最后，我们使用 predict 函数进行测试，打印出预测结果。

运行该程序将输出：

Prediction for input 6.0: 11.0

这表示根据训练数据的模型预测输入为6.0时的输出结果为11.0。

这只是一个简单的机器学习算法的示例，实际应用中可能需要考虑更多的数据预处理、模型选择和评估等问题。但这个例子展示了如何使用Haskell来实现一个简单的机器学习算法，并展示了如何使用该算法进行预测。