Cách tiếp cận Bayes có lợi thế thực tế. Nó giúp với ước tính, thường là bắt buộc. Và nó cho phép các họ mô hình tiểu thuyết, và giúp xây dựng các mô hình phức tạp hơn (phân cấp, đa cấp).
Ví dụ, với các mô hình hỗn hợp (bao gồm các hiệu ứng ngẫu nhiên với các tham số phương sai), người ta sẽ ước tính tốt hơn nếu các tham số phương sai được ước tính bằng cách đặt lề trên các tham số mức thấp hơn (hệ số mô hình; đây được gọi là REML ). Cách tiếp cận Bayes làm điều này một cách tự nhiên. Với các mô hình này, ngay cả với REML, ước tính khả năng tối đa (ML) của các tham số phương sai thường bằng 0 hoặc sai lệch đi xuống. Một ưu tiên thích hợp cho các tham số phương sai giúp.
Ngay cả khi ước tính điểm ( MAP , tối đa một posteriori) được sử dụng, các linh mục thay đổi họ mô hình. Hồi quy tuyến tính với một tập hợp lớn các biến cộng tuyến có phần không ổn định. Chuẩn hóa L2 được sử dụng như một biện pháp khắc phục, nhưng có thể hiểu là mô hình Bayes với Gaussian (không cung cấp thông tin) trước và ước tính MAP. (Chính quy hóa L1 là một ưu tiên khác nhau và cho kết quả khác nhau. Trên thực tế ở đây, ưu tiên này có thể mang lại nhiều thông tin, nhưng đó là về các thuộc tính tập thể của các tham số, không phải về một tham số duy nhất.)
Vì vậy, có một số mô hình phổ biến và tương đối đơn giản trong đó cần có cách tiếp cận Bayes chỉ để hoàn thành công việc!
Mọi thứ thậm chí còn được ưu ái hơn với các mô hình phức tạp hơn, chẳng hạn như phân bổ Dirichlet tiềm ẩn (LDA) được sử dụng trong học máy. Và một số mô hình vốn dĩ là Bayes, ví dụ, những mô hình dựa trên các quy trình Dirichlet .