Nói chung là không, nhưng có khả năng là có sai chính tả. Vấn đề bạn đang tìm kiếm được gọi là sự chấp nhận. Một quyết định được chấp nhận nếu không có cách nào ít rủi ro để tính toán nó.
Tất cả các giải pháp Bayes đều được chấp nhận và các giải pháp không thuộc Bayes đều được chấp nhận ở mức độ phù hợp với giải pháp Bayes trong mọi mẫu hoặc ở giới hạn. Một giải pháp Thường xuyên hoặc Bayes được chấp nhận sẽ luôn đánh bại một giải pháp ML trừ khi nó cũng được chấp nhận. Với những gì đã nói, có một số nhận xét thực tế làm cho tuyên bố này đúng nhưng bỏ trống.
Đầu tiên, ưu tiên cho tùy chọn Bayes phải là ưu tiên thực sự của bạn và không phải là một bản phân phối trước được sử dụng để làm cho một biên tập viên tại một tạp chí hài lòng. Thứ hai, nhiều giải pháp Thường xuyên là không thể chấp nhận được và nên sử dụng công cụ ước tính co ngót thay cho giải pháp tiêu chuẩn. Rất nhiều người không biết về bổ đề của Stein và những hệ lụy của nó đối với lỗi mẫu. Cuối cùng, ML có thể mạnh hơn một chút, trong nhiều trường hợp, xảy ra lỗi chính tả.
Khi bạn chuyển đến các cây quyết định và anh em họ của họ trong rừng, bạn không sử dụng một phương pháp tương tự trừ khi bạn cũng đang sử dụng một cái gì đó tương tự như lưới Bayes. Một giải pháp biểu đồ chứa một lượng đáng kể thông tin ngầm trong đó, đặc biệt là biểu đồ có hướng. Bất cứ khi nào bạn thêm thông tin vào một quy trình xác suất hoặc thống kê, bạn sẽ giảm sự thay đổi của kết quả và thay đổi những gì sẽ được coi là chấp nhận được.
Nếu bạn nhìn vào học máy từ một thành phần của phối cảnh các hàm, nó chỉ trở thành một giải pháp thống kê nhưng sử dụng các phép tính gần đúng để làm cho giải pháp có thể chuyển đổi được. Đối với các giải pháp Bayes, MCMC tiết kiệm lượng thời gian không thể tin được cũng như việc giảm độ dốc cho nhiều vấn đề ML. Nếu bạn phải xây dựng một hậu thế chính xác để tích hợp hoặc sử dụng vũ lực cho nhiều vấn đề ML, hệ mặt trời sẽ chết vì nhiệt trước khi bạn có câu trả lời.
Tôi đoán là bạn có một mô hình sai chính tả cho những người sử dụng số liệu thống kê hoặc số liệu thống kê không phù hợp. Tôi đã dạy một bài giảng nơi tôi chứng minh rằng trẻ sơ sinh sẽ bay ra khỏi cửa sổ nếu không được quấn tã một cách thích hợp và ở đó phương pháp Bayesian vượt trội hoàn toàn so với phương pháp Thường xuyên trên một lựa chọn đa phương thức mà phương pháp Thường xuyên đã phá vỡ, theo dự đoán, trong khi phương pháp Bayes đã nhân đôi số tiền của người tham gia . Bây giờ tôi đã lạm dụng số liệu thống kê trước đây và lợi dụng tính không phù hợp của công cụ ước tính Thường xuyên ở phần sau, nhưng một người sử dụng thống kê ngây thơ có thể dễ dàng làm những gì tôi đã làm. Tôi chỉ làm cho chúng cực đoan để làm cho các ví dụ rõ ràng, nhưng tôi đã sử dụng dữ liệu hoàn toàn thực.
Các khu rừng ngẫu nhiên là các công cụ ước tính nhất quán và chúng dường như giống với các quy trình Bayes nhất định. Do liên kết đến các công cụ ước tính kernel, chúng có thể khá gần nhau. Nếu bạn thấy sự khác biệt lớn về hiệu suất giữa các loại giải pháp, thì có một vấn đề tiềm ẩn nào đó mà bạn đang hiểu lầm và nếu vấn đề này có tầm quan trọng, thì bạn thực sự cần tìm nguồn gốc của sự khác biệt vì đó cũng có thể là trường hợp tất cả các mô hình là sai chính tả.