本质上，推理是基于使用贝叶斯定理从某个模型（例如参数值）中获得一个或多个感兴趣的数量的后验分布，该模型基于相关未知参数的一些先验分布和来自模型的可能性。

即，从某种形式的分布模型和先验，有人可能会寻求获得后验。$f(X_i|\mathbf{\theta})$$p(\mathbf{\theta})$$p(\mathbf{\theta}|\mathbf{X})$

在这个问题中讨论了贝叶斯模型的一个简单示例，并且在这个贝叶斯线性回归的评论中，在维基百科中更详细地讨论了这里。搜索在这里出现了对许多贝叶斯模型的讨论。

但是除了拟合模型之外，人们还可以尝试使用贝叶斯分析来做其他事情——例如，参见贝叶斯决策理论。

贝叶斯模型只是从后验分布中得出推论的模型，即利用与贝叶斯定理相关的先验分布和似然性。

我可以将使用贝叶斯定理的模型称为“贝叶斯模型”吗？

不

恐怕这样的定义可能过于宽泛。

你说的对。贝叶斯定理是边际事件概率和条件概率之间的合理关系。无论您对概率的解释如何，它都成立。

那么贝叶斯模型到底是什么？

如果您在阐述或解释的任何地方都使用先验和后验概念，那么您可能会使用贝叶斯模型，但这不是绝对规则，因为这些概念也用于非贝叶斯方法。

从更广泛的意义上讲，尽管您必须将概率的贝叶斯解释视为一种主观信念。贝叶斯的这个小定理被一些人扩展到整个世界观，甚至，容我说，哲学。如果你属于这个阵营，那么你就是贝叶斯。贝叶斯不知道这会发生在他的定理上。他会害怕的，我想。

统计模型可以被视为描述某些数据是如何形成的过程/故事。贝叶斯模型是一种统计模型，您可以在其中使用概率来表示模型中的所有不确定性，包括关于输出的不确定性以及关于模型输入（也称为参数）的不确定性。整个先验/后验/贝叶斯定理的事情都遵循这一点，但在我看来，对一切使用概率是使它成为贝叶斯的原因（实际上，一个更好的词可能就是概率模型之类的东西）。

这意味着大多数其他统计模型可以通过修改它们以在任何地方使用概率来“转换为”贝叶斯模型。对于依赖最大似然的模型尤其如此，因为最大似然模型拟合是贝叶斯模型拟合的严格子集。