贝叶斯决策理论中,两种经典的策略包括：1、已知类条件概率密度参数表达式和先验概率。2、利用贝叶斯公式转换成后验概率。
贝叶斯决策（Bayesian Decision Theory）就是在不完全情报下，对部分未知的状态用主观概率估计，然后用贝叶斯公式对发生概率进行修正，最后再利用期望值和修正概率做出最优决策。
贝叶斯决策属于风险型决策，决策者虽不能控制客观因素的变化，但却掌握其变化的可能状况及各状况的分布概率，并利用期望值即未来可能出现的平均状况作为决策准则。
贝叶斯决策理论方法是统计模型决策中的一个基本方法，其基本思想是：
1、已知类条件概率密度参数表达式和先验概率。
2、利用贝叶斯公式转换成后验概率。
理论分析
（1）如果，我们已知，被分类类别概率分布的形式和已经标记类别的训练样本集合，那我们，就需要从训练样本集合中，来估计概率分布的参数。
在现实世界中，有时会出现这种情况。（如，已知为正态分布了，根据标记好类别的样本来估计参数，常见的是极大似然率和贝叶斯参数估计方法）
（2）如果，我们不知道，任何有关被分类类别概率分布的知识，已知，已经标记类别的训练样本集合和判别式函数的形式，那我们，就需要从训练样本集合中，来估计判别式函数的参数。在现实世界中，有时会出现这种情况。
（如，已知判别式函数为线性或二次的，那么，就要根据训练样本来估计判别式的参数，常见的是线性判别式和神经网络）
（3）如果，我们既不知道，任何有关被分类类别概率分布的知识，也不知道，判别式函数的形式，只有已经标记类别的训练样本集合。
那我们，就需要从训练样本集合中，来估计概率分布函数的参数。在现实世界中，经常出现这种情况。（如，首先要估计是什么分布，再估计参数。常见的是非参数估计）
（4）只有没有标记类别的训练样本集合。这是经常发生的情形。我们需要对训练样本集合进行聚类，从而，估计它们概率分布的参数。（这是无监督的学习）
（5）如果，我们已知被分类类别的概率分布，那么，我们不需要训练样本集合，利用贝叶斯决策理论就可以设计最优分类器。但是，在现实世界中，从没有出现过这种情况。这里是贝叶斯决策理论常用的地方。