贝叶斯学习方法的特性 观察到的每个训练样例可以增量地降低或升高某假设 的估计概率。而其他算法会在某个假设与任一样例不 致时完全去掉该假设 先验知识可以与观察数据一起决定假设的最终概率, 先验知识的形式是:1)每个候选假设的先验概率;2) 每个可能假设在可观察数据上的概率分布 贝叶斯方法可允许假设做出不确定性的预测 新的实例分类可由多个假设一起做出预测,用它们的 概率来加权 即使在贝叶斯方法计算复杂度较高时,它们仍可作为 ·个最优的决策标准衡量其他方法 2003.12.18 机器学习-贝叶斯学习作者: Mitchel译者:曾华军等讲者:陶晓鹏2003.12.18 机器学习-贝叶斯学习作者：Mitchell 译者：曾华军等讲者：陶晓鹏 4 贝叶斯学习方法的特性 • 观察到的每个训练样例可以增量地降低或升高某假设 的估计概率。而其他算法会在某个假设与任一样例不 一致时完全去掉该假设 • 先验知识可以与观察数据一起决定假设的最终概率， 先验知识的形式是：1）每个候选假设的先验概率；2） 每个可能假设在可观察数据上的概率分布 • 贝叶斯方法可允许假设做出不确定性的预测 • 新的实例分类可由多个假设一起做出预测，用它们的 概率来加权 • 即使在贝叶斯方法计算复杂度较高时，它们仍可作为 一个最优的决策标准衡量其他方法