1、在自然界數(shù)據(jù)的分布通常是正態(tài)分布（如年齡、身高、體重等），所以當我們對數(shù)據(jù)潛在分布模式不清楚時，這是最好的近似。

2、在ML/AI中，目標通常是使得數(shù)據(jù)線性可分，甚至意味著將數(shù)據(jù)投影到更高維空間，找到一個可擬合的超平面（如SVM核，神經(jīng)網(wǎng)絡(luò)層，softmax等）。原因是“線性分界通常有助于減少方差variance而且是最簡單，自然和可理解的”，同時減少數(shù)學(xué)/計算的復(fù)雜性。同時，當我們聚焦線性可分時，通?？梢院芎脺p少異常點、影響點和杠桿點的作用。為啥？因為超平面是對影響點和杠點（異常點）非常敏感。舉個例子，在二維空間中，我們有一個預(yù)測器predictor(X)，和目標值（y)，假設(shè)X和y是很好的正相關(guān)。在這個情形下，假設(shè)X是正態(tài)分布，y也是正態(tài)分布，那么你可以擬合到一條很直的線，相比邊界點（異常點，杠桿點），很多點都集中在線的中間，所以這個預(yù)測回歸線在預(yù)測未知數(shù)據(jù)時，降低方差variance的影響。

用上面例子，理解在n維空間，擬合一個超平面，讓數(shù)據(jù)線性可分，就理解正態(tài)分布可以降低方差variance的影響