Як правило, ні, але, можливо, так, при неправильній специфікації. Питання, яке ви шукаєте, називається прийнятністю. Рішення прийнятне, якщо існує не менш ризикований спосіб його обчислення.
Усі байєсівські рішення є допустимими, а не-баєсові рішення прийнятні в тій мірі, в якій вони відповідають сумі байєсівського рішення в кожному зразку або в межах межі. Прийнятне рішення частотолога або баєса завжди перемагає ML, якщо це також не допустимо. З урахуванням сказаного, є деякі практичні зауваження, які роблять це твердження правдивим, але вагомим.
По-перше, пріоритет для байєсівського варіанту повинен бути вашим справжнім пріоритетом, а не деяким попереднім розповсюдженням, що використовується для того, щоб зробити редактора журналу задоволеним. По-друге, багато рішень частотолога неприпустимі, а замість стандартного рішення слід було б використовувати оцінку усадки. Багато людей не знають про лемму Штейна та її наслідки для помилок вибірки. Нарешті, ML може бути дещо надійнішим, у багатьох випадках, помилкою помилки.
Коли ви переселяєтесь у дерева рішень та їх двоюрідних братів, ліси ви не використовуєте подібну методологію, якщо ви також не використовуєте щось подібне до мережі Бейса. Графічне рішення містить значну кількість неявної інформації, зокрема спрямований графік. Щоразу, коли ви додаєте інформацію до ймовірнісного чи статистичного процесу, ви зменшуєте варіабельність результату та змінюєте те, що вважатиметься допустимим.
Якщо дивитися на машинне навчання з точки зору складу функцій, воно просто стає статистичним рішенням, але використовуючи наближення, щоб зробити рішення простежуваним. Для байєсівських рішень MCMC заощаджує неймовірну кількість часу, як і градієнтний спуск для багатьох проблем з ML. Якби тобі довелося побудувати точну задню частину, щоб інтегрувати або застосувати грубу силу при багатьох проблемах ML, Сонячна система померла б її тепловою смертю, перш ніж ти отримаєш відповідь.
Я здогадуюсь, що у вас неправильно вказана модель для тих, хто використовує статистику або невідповідну статистику. Я викладав лекцію, де я показав, що новонароджені будуть випливати з вікон, якщо їх не належним чином сповивати, і де метод Байєса настільки кардинально перевершив метод частота в мультиноміальному виборі, що метод частота перебив навіть в очікуванні, в той час як метод Байєса подвоїв гроші учасників . Тепер я зловживав статистикою в перших і скористався неприпустимістю частотного оцінювача в другому, але наївний користувач статистикою міг легко робити те, що я робив. Я просто зробив їх крайніми, щоб зробити приклади очевидними, але я використав абсолютно реальні дані.
Випадкові ліси є послідовними оцінками, і вони, схоже, нагадують певні байєсівські процеси. Через зв’язок з оцінниками ядра вони можуть бути досить близькими. Якщо ви бачите істотну різницю у ефективності між типами рішення, то в основній проблемі є щось, що ви нерозумієте, і якщо проблема має якесь значення, то вам дійсно потрібно шукати джерело різниці, оскільки це може бути також у випадку, якщо всі моделі неправильно вказані.