论文部分内容阅读
提高神经网络模型推广性的关键是控制模型的复杂度,给出了一种基于贝叶斯推理的神经网络方法,它能自然地融入关于模型的先验知识,与观察到的数据样本相综合来控制神经网络模型中不同部分的复杂度.使用马尔可夫链蒙特卡罗模拟可获得模型参数的后验分布,预测分类是许多个以各自后验分布为权的马尔可夫链上的模型样本的平均.在二个实际分类问题应用中与常规神经网络方法进行了对比分析.