在進行機器學習的時候，我們會接觸到很多的數學知識，而這些數學知識有很多，比如說線性代數和概率統計。如果線性代數可以看成是數量還有結構的組合的話，那麼概率統計就可以看成是模型還有資料的組合。那麼大家是否知道概率統計在機器學習中的作用是什麼呢？下面我們就給大家解答一下這個問題。
其實在機器學習中，模型和資料組合在一塊是雙向的處理。我們機器學習有學習的階段，我們要利用這個資料去訓練這個模型，這個階段，我們是用資料去學習這個模型。在模型裡面，我們就可以去選擇。有那麼多的模型，像我們剛才說到的，有k-近鄰的模型，有回歸模型，有決策樹，還有支援向量機，這樣不同的模型。我們訓練的任務就是用資料來學習這些模型，來確定這個模型的引數，最終得到乙個確定的模型。這就可以看成什麼呢？看成是在給定資料的情況下，我們來求解這個引數，它的條件概率。給定的資料，如果有一部分引數的條件概率是最大的，那麼就選擇這部分引數，作為我們這個模型的引數。實際上，訓練過程解決的就是這樣乙個問題。而模型中，有生成模型和判別模型，那麼生成模型我們求解的是輸入輸出的乙個聯合概率分布，那麼判別模型是乙個條件概率分布。而不管怎麼樣，很多情況下，我們關注的目標都是分布，那麼利用資料進行訓練的過程也就是學習這個分布的過程。
概率統計的乙個作用就是利用模型推斷資料。當給定這個模型，我們給到乙個輸入，我輸入可能是乙個特徵，一些特徵的組合，形成乙個向量。我們把這個輸入的向量代入到模型當中，就可以求出乙個結果，當然也可能是多個結果。我們取這個概率最大的結果作為乙個輸出，這個過程就是反過來利用模型去推斷資料的乙個過程。所以我們說，概率統計等於模型和資料的乙個組合，這個組合是雙向的。在學習階段，我們利用資料來訓練模型，在**階段，我們利用模型反過來去推斷這個資料。
從中我們不難發現，在概率統計這一方面，我們關注的是模型的使用，還有概率的求解。而這兩者是相互融合的。在建立模型的時候，我們會利用到一些先驗概率分布。在求解目標函式的時候，我們也會用到求解數學期望這樣一些操作。
在這篇文章中我們給大家介紹了關於機器學習中概率統計的作用，相信大家已經知道了數學在機器學習中有很多的作用了吧？大家在進行機器學習的時候還是要做到數學知識的儲備，希望這篇文章能夠更好地幫助大家。
輕鬆搞定機器學習中的概率統計知識
網上關於機器學習中的數學基礎知識的文章非常混雜。有些文章推薦太過全面，比如推薦 mit 線性代數 微積分入門 概率論入門 等系列課程和書籍，這對初學者非常的不友好。而有些文章又過於簡略，機器學習雖說不用精通各類數學知識，但全面理解相關數學基礎也是非常關鍵的，很多作者想一篇文章概括所有在機器學習中重要...
機器學習和概率統計的關係
機器學習是乙個比較寬泛的概念，主要包括有監督學習，無監督學習，強化學習等，每個分類又有很多不同的演算法，在使用時需要根據不同的場景進行選擇，這個將會在後續的部落格中涉及，這裡就不展開敘述。現在的機器學習主要都是基於對現有樣本的觀測分析 統計 然後再對未知樣本的 概率 我自己乙個不嚴謹的說法就是機器學...
機器學習中的概率問題
機器學習中的概率問題 機器學習的過程可以理解為計算機通過分析大量的資料獲得模型，並通過獲得的模型進行 的過程。機器學習的模型可以有多種表示，例如線性回歸模型，svm模型，決策樹模型，貝葉斯模型。概率型別 在理解概率模型之前，首先要理解的各種概率型別所表示的確切含義。1.先驗概率 某事件發生的概率。2...