6.1 导论
评论
我们在第5章中描述的统计推断方法称为贝叶斯统计。 也许令人惊讶的是，这被一些人认为是有争议的，而贝叶斯应用于非统计问题 - 例如医疗诊断（第2.2.3.1节），垃圾邮件过滤（第3.4.4.1节）或飞机跟踪（第18.2.1节）。 - 没有争议。 反对的原因与统计模型的参数和其他类型的未知量之间的误导性区别有关。
已经尝试设计统计推断方法，避免处理随机变量等参数，从而避免使用先验和贝叶斯规则。 这种方法被称为频率派统计，经典统计或正统统计。 它们不是基于后验分布，而是基于抽样分布的概念。 这是估计器应用于采样自真实但未知分布的多个数据集时的分布; 详见6.2节。 正是这种反复试验的变异概念构成了频率派方法所使用的不确定性建模的基础。
相比之下，在贝叶斯方法中，我们只对实际观察到的数据进行调整; 没有反复试验的概念。 这允许贝叶斯计算一次性事件的概率，正如我们在2.1节中讨论的那样。 也许更重要的是，贝叶斯方法避免了困扰频率派方法的某些悖论（见第6.6节）。 然而，熟悉频率派统计（尤其是第6.5节）非常重要，因为它广泛用于机器学习。