虽然该章主要讨论贝叶斯技术（Bayesian Techniques)在Neural Networks中应用，但其内容对与做Machine Learning还是非常有启发的。尤其现在Bayesian Learning，以及Graphical Model在Jordan、Bishop等牛人带领下已经成为Machine Learning主流之一的情况下，通过回归经典文献可以让我了更容易领略其中奥秘。
1.贝叶斯技术的特点
1）提供了一个框架（framework），传统的基于误差最小化（Error Minimization）的学习方法都是贝叶斯方法的近似或特例；正则化（Regularization）可以更加自然的给出解释
2）对于回归问题，给出预测值的同时，也可以给出置信区间
3）仅利用训练数据就可以做很多有意义的事情（传统方法需还需要测试数据）
a）选择合适的正则化系数；
b）模型选择。它提供了客观的框架来处理模型复杂度，同时避免了使用最大似然（Maximum Likelihood）方法中的问题
4）可用于判断是否需要在输入空间（Input Space）中增加新数据，以使之蕴含更多信息(MacKay,1992c)
5）可用于特征选择：基于Automatic Relevance Determination (MacKay, 1994a,1995b; Neal, 1994)方法。
2.贝叶斯技术的初探
下面通过了解常用的误差最小化方法训练模型时存在的问题，及贝叶斯方法是如何优美解决的来初步了解它的思想。
当采用误差最小化方法训练模型时，一般来说，模型越复杂对训练数据拟合越好，但这不能保证它的推广能力也好。这时，只能用交叉验证来处理。而贝叶斯方法采用完全不同机制处理模型复杂度问题，并且它运行将全部数据作为训练数据。
为清楚解释，咱们看一个假定的例子：
1）有三个模型H1，H2，H3，它们复杂度依次增加。
a）每个模型都有固定的结构（隐层个数、每层节点数、激励函数等），以及可调节的参数（如权重）。
b）调整参数值，每个模型都可以表达一定范围的输入－输出映射函数。模型越复杂，它所能表达的函数范围越广。
2）输入
，输出
那么，当有此数据集D后，模型的后验概论为
1）P(Hi)为模型先验（其实就是哪个模型更好的概论表达）。一般很难倾向于某个模型时，就给所以模型赋予同样的先验概率。
2）P(D)为归一化因子（概率值域为[0,1])。它与模型无关。
3）P(D|Hi)为模型Hi的Evidence。判断模型复杂度是否合适（即模型选择），可通过比较Evidence来抉择。
各模型的Evidence绘图，可看出如下门道：
1）模型越复杂，它能描述数据集越广（即能表达更大范围的函数）
2）对某一具体数据集D0 来说，模型H2的Evidence最大。这说明Evidence偏爱复杂度适中的模型。
到此，大家会有一个认识，即在贝叶斯方法中，一般选Evidence最大的模型。其实，并没有这么简单。正确的贝叶斯方法会利用所有的模型，它会将所有模型的输出进行加权而得到最终输出，其权重就是每个模型的Evidence。越好的模型对输出贡献越大。同时，因为Evidence是通过训练数据获得的，因此可以无需单独切分出测试数据，也就无需交叉验证了。
通过前面例子，我们可以体会到贝叶斯方法的一个重要概念－Marginalization，对不想要或不关心的变量通过积分消掉。