説明
同時分布がわかっている2つの確率変数XとYが与えられた場合、Xの周辺分布は、Yに関する情報を平均したXの確率分布にすぎません。
Yの値がわからない場合のXの確率分布です。これは通常、Yの同時確率分布を合計または積分することによって計算されます。'離散確率変数の場合、限界確率質量関数はPr（X = x）と書くことができます。これは、低い信頼度で自動的に生成されたテキストの説明です

ここで、Pr（X = x、Y = y）はXとYの同時分布であり、Pr（X = x | Y = y）はYが与えられたXの条件付き分布です。この場合、変数Yは周辺化されています。 。
離散確率変数の二変量周辺確率と同時確率は、多くの場合、双方向テーブルとして表示されます。
同様に、連続確率変数の場合、周辺確率密度関数はpX（x）と書くことができます。これは、中程度の信頼度で自動的に生成された図の説明です

ここで、pX.Y（xy）はXとYの同時分布を示し、pX | Y（x | y）はYが与えられたXの条件付き分布を示します。変数Yは無視されています。
周辺確率は常に期待値として記述できることに注意してください。
テキスト、文字説明は自動的に生成されます

直感的には、Xの周辺確率は、Yの特定の値が与えられた場合のXの条件付き確率を調べ、この条件付き確率をYのすべての値の分布にわたって平均することによって計算されます。図を含む画像説明は自動的に生成されます

説明
（正しい場合でも説明を変更してください）正規化定数は正であり、一連の値を正の数で乗算または除算しても、どちらが最大であるかには影響しません。最尤推定は最大値の検出のみに関係するため、正規化定数は無視できます。

Explanation:RMSEは、さまざまな時点での予測の誤差の大きさを、予測力の単一の測定値に集約するのに役立ちます。RMSEは精度の優れた尺度ですが、スケールに依存するため、変数間ではなく、特定の変数のさまざまなモデルの予測誤差を比較するためだけのものです。

説明
デシジョンツリーはフローチャートのような構造であり、各内部ノードは属性の「テスト」を表します（例：
コイントスが表か裏かを問わず、各ブランチはテストの結果を表し、各リーフノードはクラスラベル（すべての属性を計算した後に行われる決定）を表します。ルートからリーフへのパスは、分類ルールを表します。
意思決定分析では、意思決定ツリーと密接に関連する影響図が視覚的および分析的な意思決定支援ツールとして使用され、競合する代替案の期待値（または期待効用）が計算されます。
デシジョンツリーは、次の3種類のノードで構成されます。
1.決定ノード-通常は正方形で表されます
2.チャンスノード-円で表されます
3.エンドノード-三角形で表されます
デシジョンツリーは、オペレーションズリサーチ、特にデシジョン分析で一般的に使用され、目標を達成する可能性が最も高い戦略を特定するのに役立ちます。実際には、不完全な知識の下でリコールなしで意思決定をオンラインで行う必要がある場合、意思決定ツリーは、最良の選択モデルまたはオンライン選択モデルアルゴリズムとしての確率モデルと並列化する必要があります。決定木の別の使用法は、条件付き確率を計算するための記述的手段としてです。
決定ツリー、影響図、ユーティリティ関数、およびその他の決定分析ツールと方法は、ビジネス、医療経済学、および公衆衛生の学校の学部生に教えられており、オペレーションズリサーチまたは管理科学の方法の例です。

説明
点推定量
*最小分散不偏推定量（MVUE）は、二乗誤差損失関数のリスク（期待損失）を最小化します。
*最高の線形偏り推定器（BLUE）
*最小平均二乗誤差（MMSE）
*中央値-偏りのない推定量、絶対誤差損失関数のリスクを最小限に抑えます
*最尤法（ML）
*モーメント法、一般化モーメント法