【機器學習】貝葉斯線性迴歸（最大後驗估計+高斯先驗）

引言 如果要將極大似然估計應用到線性迴歸模型中，模型的複雜度會被兩個因素所控制：基函數的數目（的維數）和樣本的數目。儘管爲對數極大似然估計加上一個正則項（或者是參數的先驗分佈），在一定程度上可以限制模型的複雜度，防止過擬合，但基函數的選擇對模型的性能仍然起着決定性的作用。 上面說了那麼大一段，就是想說明一個問題：由於極大似然估計總是會使得模型過於的複雜以至於產生過擬合的現象，所以單純的使用極大似然

>>阅读原文<<