总结
贝叶斯方法是机器学习中常用的一种方法，在贝叶斯公式中有三部分，先验概率分布函数、似然概率分布函数、和边界似然概率分布函数（贝叶斯公式的分母）。求出了这三部分，就求得了后验概率分布，然后对于一个新样本xnewxnew计算后验概率分布的期望值，这个期望值就是贝叶斯模型的预测结果。
由于后验概率分布的计算依赖于先验概率分布函数、似然概率分布函数，当这二者共轭时，后验概率与先验概率服从相同的分布函数，从而可以推导计算出后验概率分布(posterior could be computed analytically)。但是，当这二者不共轭时，则是计算后验概率分布的近似值。计算近似值一共有三种方法，点估计法(point estimate --- MAP)，拉普拉斯近似法，Metropolis-Hastings采样法。而本文主要介绍 是第一种方法：点估计法(point estimate --- maximum a posteriori)。
maximum a posteriori中的最大化体现在哪里呢？其实是体现在似然分布函数的最大化上。黑塞矩阵的负定性证明了g(w;X,t,σ2)g(w;X,t,σ2)有最大值，再使用牛顿法不断迭代找到了这个使得函数gg取最大值的最优参数解w∗w∗。而求得了最优参数w∗w∗，就求得了后验概率分布公式。对于一个待预测的新样本xnewxnew，计算该样本后验概率分布的期望值，这个期望值就是贝叶斯模型对新样本的预测结果。