贝叶斯神经网络可用于解决数据稀缺领域中的问题，以防止过度拟合。在这种情况下，他们经常击败所有其他方法。示例应用是分子生物学（例如本文）和医学诊断（数据通常来自昂贵且困难的过期工作的领域）。实际上，贝叶斯网络普遍有用，可以在大量任务中获得更好的结果，但它们很难扩展到大型问题。

BNN 优于 NN 的一个优点是，在处理未知目标的数据时，您可以自动计算与预测相关的误差。使用 BNN，我们现在进行贝叶斯推理。让我们将 BNN 预测定义为，其中是 NN 函数，是您的输入,是 NN 参数，x,t 是训练输入和目标。这应该与 Neal 在@forecaster 提供的链接中使用的语法兼容。然后我们可以计算后验预测分布的标准差，我会天真地将其用作预测的准确度：$\bar{f}(x′|x,t)=∫f(x′,ω)p(ω|x,t)dω$$f$$x'$$ω$$\sigma(x′)=\sqrt{∫[f(x′,ω)−\bar{f}(x′|x,t)]^2p(ω|x,t)dω}$