在数据不完备时，贝叶斯网络的参数学习方法有：
A: 高斯逼近
B: 最大似然估计方法
C: 蒙特卡洛方法
D: 拉普拉斯近似
A: 高斯逼近
B: 最大似然估计方法
C: 蒙特卡洛方法
D: 拉普拉斯近似
举一反三
- 最大似然估计方法是实例数据不完备情况下的学习方法。
- 哪些不属于事故预测参数模型的参数评估方法 A: 普通最小二乘法 B: 贝叶斯估计法 C: 最大估计法 D: 最小似然估计法
- 中国大学MOOC: 在数据不完备时，贝叶斯网络的参数学习方法有：
- 下面关于贝叶斯估计的说法中错误的是 A: 最大似然估计与贝叶斯估计的思想是相同的，只不过采用的方法不同。 B: 贝叶斯估计也需要一个训练样本集，利用训练样本集来找出估计参数，限制条件是使得损失函数最小。 C: 贝叶斯估计需要事先确定待估计参数的先验分布 D: 贝叶斯估计的方法类似于贝叶斯决策，也需要定义损失函数。
- 最大似然估计方法是实例数据不完备情况下的学习方法。 A: 正确 B: 错误