【机器学习】贝叶斯线性回归（最大后验估计+高斯先验） - qq_32742009的博客 - CSDN博客
https://blog.csdn.net/qq_32742009/article/details/81485887
贝叶斯优化(BO)的迭代公式:
- 极大似然函数（后验概率最大化）：
- 对数似然：
- 最后化简：（这里表明每计算一次w是O(D^3)的复杂度，其中计算y(xi,w)为D2(w乘以f(xi)为D，生成f(xi)为D)，求L2范数为D，计算y(xi,w)求和为N，计算w2为D2，总复杂度为max（NDD2,D2）=N*D3）
- 由于要迭代N步，每步处理一个DD矩阵（D为特征维数），因此算法复杂度为O(N D^3)；且注意，当N逐渐增大的时候，BO算法无限趋近LM算法，但BO算法的开销更大，因此BO不适用于大量样本点的情形，收敛性待证
- 但BO算法在样本点过少的情形下，面临着拟合函数参数波动过大的情况（过于依赖前面的样本点）
边缘概率：Marginal likelihood
贝叶斯优化(Bayesian Optimization)深入理解 - marsggbo - 博客园 https://www.cnblogs.com/marsggbo/p/9866764.html
https://app.sigopt.com/static/pdf/SigOpt_Bayesian_Optimization_Primer.pdf
扩展阅读：
http://papers.nips.cc/paper/7917-scalable-hyperparameter-transfer-learning.pdf
https://arxiv.org/pdf/1802.02219.pdf
类似方法：数据同化【在复杂系统中根据更新数据动态地更新模型】
https://earth.esa.int/documents/973910/979015/oneill1-2.pdf
教程：
http://cerea.enpc.fr/HomePages/bocquet/teaching/assim-mb-en.pdf
贝叶斯与数据同化：
https://pdfs.semanticscholar.org/cdb2/10822ceb3cccb6388ad14b2642380e6f36a5.pdf
https://assimilation.kaust.edu.sa/Media%20%20Image%20Gallery/Papers/final_mwr2012_new.pdf