Плотность распределения используется в машинном обучении для анализа данных следующим образом:

• При статистической (вероятностной) постановке задачи предполагается, что обучающая выборка является набором независимых, одинаково распределённых случайных величин, взятых из некоторой генеральной совокупности. 2 В этом случае уместно говорить о плотности распределения объектов и использовать вероятностные термины (математическое ожидание, дисперсия, правдоподобие) для описания и решения задачи. 2
• Знание распределения объектов генеральной совокупности приводит к получению оптимального классификатора в явной форме. 2 Такой оптимальный классификатор называется байесовским классификатором. 2
• На основе восстановленной многомерной плотности распределения вероятностей вектора признаков, описывающего объекты, разрабатывают метод искусственного размножения данных. 5 Это позволяет сократить объём обучающих данных, а также обеспечить предварительный анализ качества применяемых алгоритмов анализа данных в условиях, когда сбор реальных данных затруднён или требует значительного времени. 5