贝叶斯估计与贝叶斯学习的区别

概述：

贝叶斯估计：贝叶斯估计是把待估计的参数看作具有先验分布密度p()的随机变量，其取值与样本D有关，用训练样本D估计出最优的，记为。

贝叶斯学习 ：把贝叶斯估计的原理用于直接从数据对概率密度函数进行迭代估计。

贝叶斯估计：

此处直接展示贝叶斯估计计算步骤：

Step1:根据对问题的认识或猜测确定0的先验分布密度p()

Step2:求出样本集合的概率分布:[分布密度p(x |)已知]

Step3:利用贝叶斯公式求0的后验分布密度:

Step4: 计算的贝叶斯估计量: 

贝叶斯学习：

总结： 

对于贝叶斯学习而言，它是一个递推贝叶斯估计过程，如果随着样本的增加后验概率序列逐渐尖锐，趋向于以0的真实值为中心的尖峰并收敛于真实值的脉冲，则称此过程为贝叶斯学习，样本的概率密度函数为: 。相比较参数估计方法中的贝叶斯估计而言，贝叶斯学习是一个在贝叶斯估计的基础上，研究不断增加样本数量，最终使得估计量趋近于实际参数的过程。