不，从某种意义上说，其他先验确实在逻辑上与其他惩罚相关。一般来说，您确实希望更多的质量接近零效应（）以减少过度拟合/过度解释。Ridge 是一个二次 (L2, Gaussian) 惩罚，lasso 是一个（L1，拉普拉斯或双指数分布）惩罚。许多其他处罚（先验）是可用的。贝叶斯方法的优点是产生可靠的解释（和可靠的可信区间），而惩罚最大似然估计（岭、套索等）产生难以解释的值和置信区间，因为频率论方法有些混乱通过有偏差（缩小到零）的估计量。$\beta=0$$|\beta|$$P$

两点：

贝叶斯情况下的后验分布是一个分布。岭回归估计只是一个向量而不是分布。因此它们并不完全等价。 $\hat{\beta}$

It is true that in the case of a multivariate normal prior and multivariate normal likelihood, the posterior is multivariate normal with a mean that is the ridge regression estimate for an appropriately chosen ridge parameter.

这一点的证明取决于先验和似然的特定形式，不适用于更一般的先验或似然函数。