贝叶斯线性回归（Bayesian Linear Regression）

本文顺序

一、回忆线性回归

线性回归用最小二乘法，转换为极大似然估计求解参数W，但这很容易导致过拟合，由此引入了带正则化的最小二乘法（可证明等价于最大后验概率）

二、什么是贝叶斯回归？

基于上面的讨论，这里就可以引出本文的核心内容：贝叶斯线性回归。

贝叶斯线性回归不仅可以解决极大似然估计中存在的过拟合的问题。

• 它对数据样本的利用率是100%，仅仅使用训练样本就可以有效而准确的确定模型的复杂度。
• 在极大似然估计线性回归中我们把参数看成是一个未知的固定值，而贝叶斯学派则把看成是一个随机变量。 

贝叶斯回归主要研究两个问题：inference（求后验）和prediction