其中μ是期望值，σ是标准差（方差的平方根）。高斯分布的函数图像如下，变量在平均值附近左右一个标准差内的概率是68.2%。

在深度学习中，我们需要调节神经网络的参数以防止过度拟合。这时候会用到指数分布：

λ值越大，变量x的分布越集中。

概率不仅仅是掌握机器学习必需的基础知识，它也有一些直接的应用。

在前文中我们提到过，指数分布可以帮助调节神经网络的参数，防止过拟合。这一点很重要，因为过拟合会导致神经网络的性能不佳。

在Kaggle的一项预测客户交易的任务中，作者Nimish用概率论的方法找到了内部规律。

Nimish绘制了200个变量对结果分布的影响：