边际化（marginalization），理学-计算机科学技术-人工智能-机器学习-概率图模型，从概率论的角度看，边际化涉及从多个随机变量的联合分布求解部分变量的分布的过程，是一种关于积分或求和的运算。在贝叶斯机器学习中，边际化是常用的运算，下面举几个例子。和积算法是概率图模型中求解边际化运算的常用算法，对于树状因子图，它可以得到确切解。对于含有部分观测变量的概率图模型，通过将观测变量值固定的方法进行边际化可以得到感兴趣的隐变量和观测变量的联合分布，然后可容易地求出隐变量的后验分布。对于含有隐变量或缺失数据的概率模型的参数学习问题，期望最大化是一种常用的算法。由于直接最大化边际化后得到的证据（evidence）难以得到解析解，它通过最大化完全数据对数似然的期望进行参数学习。原理上，期望最大化算法实现了证据的局部最大化。边际化后得到的证据在变分推理中也常常用到，很多变分推理算法是通过最大化该证据的下界得以实现的。