ไม่มันไม่เป็นความจริง วิธีการแบบเบย์จะทำให้ข้อมูลมีความเหมาะสมอย่างแน่นอน มีสองสิ่งที่ทำให้วิธีการแบบเบย์แข็งแกร่งกว่าการให้น้ำหนักมากเกินไปและคุณสามารถทำให้มันมีความเปราะบางได้เช่นกัน
ลักษณะของ combinatoric ของ Bayesian hypotheses แทนที่จะเป็นแบบทวิภาคีช่วยให้สามารถทำการเปรียบเทียบหลาย ๆ แบบเมื่อมีคนขาดโมเดล "ของจริง" สำหรับวิธีการตั้งสมมติฐานว่าง ด้านหลังของ Bayesian ปรับโครงสร้างโมเดลได้อย่างมีประสิทธิภาพเช่นการเพิ่มตัวแปรในขณะที่ให้รางวัลกับการปรับปรุงที่เหมาะสม บทลงโทษและผลกำไรไม่ใช่การปรับให้เหมาะสมเช่นเดียวกับวิธีการที่ไม่ใช่แบบเบย์ แต่เป็นการเปลี่ยนแปลงความน่าจะเป็นจากข้อมูลใหม่
ในขณะที่สิ่งนี้โดยทั่วไปให้วิธีการที่แข็งแกร่งมากขึ้นมีข้อ จำกัด ที่สำคัญและนั่นคือการใช้การกระจายก่อนที่เหมาะสม ในขณะที่มีแนวโน้มที่จะต้องการเลียนแบบวิธีการเป็นประจำโดยใช้นักบวชแบนนี่เป็นวิธีที่ไม่เหมาะสม มีบทความเกี่ยวกับการ overfitting ในวิธีการแบบเบย์และดูเหมือนว่าบาปดูเหมือนจะพยายาม "ยุติธรรม" กับวิธีการที่ไม่ใช่แบบเบย์โดยเริ่มจากนักบวชที่เคร่งครัด ความยากลำบากก็คือก่อนหน้านี้มีความสำคัญในการทำให้เป็นไปได้
แบบจำลองแบบเบย์นั้นเป็นแบบจำลองที่เหมาะสมที่สุดในความรู้สึกที่ยอมรับได้ของ Wald แต่มีปิศาจที่ซ่อนอยู่ในนั้น Wald สันนิษฐานว่าสิ่งที่เกิดขึ้นก่อนหน้านี้เป็นเรื่องจริงของคุณก่อนหน้านี้และไม่ใช่บางอย่างที่คุณเคยใช้มาก่อน พวกเขาจะไม่ดีที่สุดในความหมายเดียวกับแบบจำลองของผู้มาเป็นประจำ วิธีการของผู้ใช้บ่อยจะเริ่มต้นด้วยการปรับการลดความแปรปรวนให้เหลือน้อยที่สุดโดยไม่เหลือความเป็นกลาง
นี่คือการเพิ่มประสิทธิภาพที่มีค่าใช้จ่ายสูงซึ่งเป็นการทิ้งข้อมูลและไม่สามารถยอมรับได้ในแง่ของ Wald แม้ว่าจะเป็นที่ยอมรับได้บ่อยก็ตาม ดังนั้นโมเดลของผู้ใช้บ่อยจึงให้ข้อมูลที่เหมาะสมที่สุด แบบเบย์นั้นไม่เอนเอียงหรือไม่เหมาะกับข้อมูล นี่คือการค้าที่คุณทำเพื่อลดการล้น
แบบจำลองแบบเบย์นั้นเป็นแบบจำลองที่มีอคติอย่างแท้จริงเว้นแต่ว่ามีขั้นตอนพิเศษที่จะทำให้พวกเขาปราศจากอคติ คุณธรรมของพวกเขาคือพวกเขาไม่เคยใช้ข้อมูลน้อยกว่าวิธีอื่นในการค้นหา "โมเดลที่แท้จริง" และข้อมูลเพิ่มเติมนี้ทำให้โมเดลเบย์ไม่เคยมีความเสี่ยงน้อยกว่าตัวเลือกอื่นโดยเฉพาะเมื่อทำงานนอกกลุ่มตัวอย่าง ที่กล่าวว่าจะมีตัวอย่างอยู่เสมอที่สามารถสุ่มจับได้ว่าจะ "หลอกลวง" วิธีการแบบเบย์อย่างเป็นระบบ
ในส่วนที่สองของคำถามของคุณหากคุณต้องวิเคราะห์ตัวอย่างเดียวผู้หลังจะเปลี่ยนแปลงตลอดไปในทุกส่วนของมันและจะไม่ย้อนกลับไปที่ก่อนหน้าเว้นแต่จะมีตัวอย่างที่สองที่ยกเลิกข้อมูลทั้งหมดใน ตัวอย่างแรก อย่างน้อยในทางทฤษฎีนี่เป็นเรื่องจริง ในทางปฏิบัติหากก่อนหน้านี้มีข้อมูลเพียงพอและมีการสังเกตอย่างไม่เป็นทางการเพียงพอผลกระทบอาจมีขนาดเล็กมากจนคอมพิวเตอร์ไม่สามารถวัดความแตกต่างได้เนื่องจากข้อ จำกัด ของจำนวนตัวเลขที่มีนัยสำคัญ เป็นไปได้ที่เอฟเฟ็กต์จะเล็กเกินไปสำหรับคอมพิวเตอร์ที่จะประมวลผลการเปลี่ยนแปลงด้านหลัง
ดังนั้นคำตอบคือ "ใช่" คุณสามารถทำให้ตัวอย่างมากเกินไปโดยใช้วิธีแบบเบย์โดยเฉพาะอย่างยิ่งถ้าคุณมีตัวอย่างขนาดเล็กและนักบวชที่ไม่เหมาะสม คำตอบที่สองคือทฤษฎีบทของ Bayes ที่ไม่เคยลืมผลกระทบของข้อมูลก่อนหน้านี้แม้ว่าเอฟเฟกต์อาจมีขนาดเล็กมากจนคุณพลาดการคำนวณ