描述了一个用于前馈网络中映射学习的定量实用贝叶斯框架。该框架使得（1）使用替代网络架构的解决方案之间的客观比较成为可能，（2）网络修剪或增长过程的客观停止规则，（3）权重衰减项或加性正则化器的大小和类型的客观选择（用于惩罚大权重等），（4）模型中确定参数的有效数量的度量，（5）网络参数和网络输出误差条的量化估计，以及（6）与其他学习和插值模型（如样条函数和径向基函数）的客观比较。贝叶斯“证据”自动体现了“奥卡姆剃刀”，惩罚了过于灵活和过于复杂的模型。贝叶斯方法有助于检测学习模型中不良的潜在假设。对于与问题匹配良好的学习模型，泛化能力与贝叶斯证据之间具有良好的相关性。
