One implication of this is that if

One implication of this is that if there is a given prior probability distribution
for the problem at hand, then the correct MML procedure is to encode that prior
probability distribution directly, for example, with a Huffman code (see Cover and
Thomas, 2006, Chapter 5, for an introduction to coding theory). The standard practice
to be seen in the literature is for an MML (or, MDL) paper to start off with a
code that makes sense for communicating messages between two parties who are
both quite ignorant of what messages are likely. The simplest messages (the simplest
models) are given short codes; messages communicating more complex models are
typically composites of such shorter messages. That standard practice makes perfect
sense (and, we shall follow it here)—unless a specific prior distribution is available,
which implies something less than total prior ignorance about the problem. In such
a case the relation between code length and probability in (9.4) requires the prior
information to be used in the code, fixing a prior distribution over the model space.
In consequence, MML is a genuine Bayesian method of inference.
9.5.1 An MML code for causal structures
We shall begin by presenting an MML code for causal DAG structures. We assume

Kết quả (Việt) 1:

Một ngụ ý của điều này là nếu có là một phân bố xác suất nhất định trước khicho vấn đề ở bàn tay, sau đó các thủ tục MML chính xác là mã hóa trước đóxác suất phân phối trực tiếp, ví dụ, với một Huffman mã (xem bìa vàThomas, 2006, chương 5, cho một giới thiệu về lý thuyết mã hóa). Tiêu chuẩn thực hànhđể được nhìn thấy trong các tài liệu là một giấy MML (hoặc, MDL) để bắt đầu với mộtmã mà làm cho tinh thần để giao tiếp tin nhắn giữa hai bên là aicả hai đều khá không biết gì về những thông điệp có khả năng. Các thông điệp đơn giản nhất (đơn giảnMô hình) được mã ngắn; thư giao tiếp phức tạp hơn các mô hìnhthường vật liệu tổng hợp của những thông điệp ngắn hơn. Tiêu chuẩn thực hành làm cho hoàn hảotinh thần (và chúng tôi sẽ làm theo nó ở đây)-trừ khi một phân phối cụ thể trước có sẵn,mà ngụ ý một cái gì đó ít hơn tất cả trước sự thiếu hiểu biết về vấn đề. Trong đómột trường hợp mối quan hệ giữa chiều dài mã và xác suất trong (9.4) yêu cầu trướcthông tin được sử dụng trong mã, sửa chữa một bản phát hành trước đó trong không gian mô hình.Trong đó, MML là phương pháp suy luận Bayes chính hãng.9.5.1 một mã MML cho các cấu trúc quan hệ nhân quảChúng tôi sẽ bắt đầu bằng cách trình bày một mã MML cho quan hệ nhân quả DAG cấu trúc. Chúng tôi giả định

Kết quả (Việt) 2:

Một ý nghĩa của việc này là nếu có một phân bố xác suất trước khi đưa ra
cho các vấn đề ở bàn tay, sau đó các thủ tục MML đúng là để mã hóa mà trước khi
phân phối xác suất trực tiếp, ví dụ, với một mã Huffman (xem Bìa và
Thomas, 2006, Chương 5, cho một giới thiệu về lý thuyết mã hóa). Các tiêu chuẩn thực hành
để được nhìn thấy trong văn học là một MML (hoặc, MDL) giấy để bắt đầu với một
mã số đó có ý nghĩa cho giao tiếp thông điệp giữa hai bên đã được
cả hai khá dốt nát của những thông điệp có khả năng. Các thông điệp đơn giản (đơn giản
mô hình) được cho mã ngắn; thông điệp truyền thông mô hình phức tạp hơn là
thường composite các thông điệp ngắn hơn. Đó là tiêu chuẩn thực hành làm cho hoàn hảo
cho tinh thần (và, chúng ta phải làm theo nó ở đây) -unless một phân phối trước khi cụ có sẵn,
trong đó hàm ý gì đó ít hơn tổng số thiếu hiểu biết trước về các vấn đề. Trong ví dụ
một trường hợp mối quan hệ giữa độ dài mã và xác suất trong (9.4) yêu cầu trước khi
thông tin được sử dụng trong mã, sửa chữa một phân phối trước qua không gian mô hình.
Kết quả là, MML là một phương pháp Bayesian chính hãng của suy luận.
9.5.1 Một mã MML cho các cấu trúc nhân quả
Chúng ta sẽ bắt đầu bằng cách trình bày một mã MML cho các cấu trúc DAG nhân quả. Chúng tôi giả định