机器学习的贝叶斯方法

参数估计中考虑不确定性，将参数本身作为随机变量只是一个很小的步骤

贝叶斯公式

似然值P(D l h):对一个特定的h值（模型），我们观察到数据(D)的可能性

P(h):先验概率，可有先验信念大体确立

后验概率最大化准则等价于期望风险最小化准则

边缘分布P(D),也称边缘似然值,（意义），然而不幸的是除极少数情况外，很难计算

共轭先验

增加更多数据

增加更多的数据来确定后验分布，信念变得越来越不重要

与边缘似然模型作比较：

P（yn l α,β）

超参数：

继续引入对α，β分布的函数

虽然会更准确，但会牺牲更多的复杂度

模型的层数由建模使用的数据集和所能承受的计算复杂度来决定

图模型：

为了清楚地体现随机变量之间的依赖关系