在目標變項與其餘資料之間找到馬可夫毯後，模型可以把推論焦點放在這組局部變項上；對目標而言，其他變項在給定毯後不再提供額外條件資訊。當毯是最小的，便形成馬可夫邊界，可作為特徵選擇與局部預測的候選集合。
但這種「縮小」只在特定資料分布、變項集合與模型假設下成立。預測上的充分集合不代表它解釋了世界中的全部機制，也不代表模型之外的變項永遠無用。
思與行
- 比較馬可夫邊界模型與全變項模型在外部測試集上的表現，檢查是否真的能降低複雜度而不損害泛化。
- 將資料範圍、目標變項與條件獨立檢定一併記錄，讓「充分」具體可查。
參考