机器学习中涉及到了很多的数学工具，我们在前面的文章中给大家介绍了很多，其中线性代数是一个比较常见的数学工具，在这篇文章中我们重点给大家介绍一下概率统计这一数学工具，希望这篇文章能够给大家带来帮助。

在前面的文章中我们说到，线性代数起作用是在表示的过程当中。在评价过程中，我们需要使用到概率统计。概率统计包括了两个方面，一方面是数理统计，另外一方面是概率论。数理统计好理解，机器学习当中应用的很多模型都是来源于数理统计。在具体地给定了目标函数之后，我们在实际地去评价这个目标函数的时候，我们会用到一些概率论。比方说给定了一个分布，我要求解这个目标函数的期望值。在平均意义上，这个目标函数能达到什么程度呢？这个时候就需要使用到概率论。实际上对于数理统计来说，我们在评价模型的时候，不只关注的是一个目标函数，我们可能还关注一些它的统计特性。比如说它的置信度，或者是其他的一些指标。当模型建立起来，它的可信性程度到底有多大，这些在早期的机器学习算法当中也是需要考虑的。所以概率统计在机器学习中体现出很大的作用。

当然随着神经网络，随着深度学习的兴起，有很多的内容实际上渐渐地衰落，或者渐渐地被忽略。在神经网络当中可能只需要达到一个这个好的目标函数，好的指标就行，至于说它的置信度，这些我们不去考虑。统计学强调可解释性，这个模型能够达到什么样的指标，我们能把它清清楚楚地讲明白，为什么能够达到这样的指标，它的原理在哪？它背后的根据在哪？给定一个分布，假如说高斯分布，那么再给定一个模型，我们就可以通过严谨而简洁的这个数学推导，把这个结果以公式的形式给它呈现出来，这个看起来就很高大上，或者说很清楚。但神经网络和深度学习，现在还达不到这样可解释的程度。够通过调参数调出一个比较好的结果，但是哪些因素会影响到它我们可能还不是那么清晰。所以呢，关于概率统计主要在机器学习中的评价步骤备受应用。

我们在这篇文章中给大家介绍了概率统计这个数学工具的知识，在这篇文章中我们通过解释概率统计存在的问题来让大家明白概率统计在评价步骤中使用的原因，希望这篇文章能够给大家带来帮助。