标准神经网络输出单一的点估计值，例如一套38.5万美元的房屋价格，这掩盖了潜在的不确定性。这限制了决策能力，因为像MAE这样的指标仅反映整个数据集的平均误差，而不能反映对单个预测的置信度。贝叶斯神经网络（BNN）通过估计一系列合理值并量化模型置信度来解决这一问题。BNN并非回答"预测值是多少？"，而是回答"合理值的范围是什么，我们有多大把握？"。这种转变使得在自动估值等应用中能够做出更好的风险感知决策。实现BNN涉及参数化权重分布并使用变分推断，因为对于具有数千个参数的网络来说，精确的贝叶斯计算是不可行的。本文使用加州住房数据集和Python笔记本来说明关键的工程选择，例如先验选择和推断方法。每个笔记本都突出一个设计决策，强调生产系统应结合多种策略。讨论的一个核心概念是不确定性量化，区分认知不确定性（由于未见数据导致的模型无知）和偶然不确定性（固有的数据噪声）。虽然这两者在哲学上是分开的，但研究表明这些不确定性在实践中往往在数学上相互交织，使清晰的分离变得复杂。本文强调，理解这些权衡对于构建值得信赖的AI系统至关重要，这些系统知道何时该信任或怀疑其预测。