Der Artikel von Fetze Pijlman adressiert ein klassisches, oft unterschätztes Problem der Datenvisualisierung: Wie viele Bins soll ein Histogramm haben? Statt visueller Faustregeln leitet Pijlman die optimale Auflösung aus der Informationstheorie und dem Bayesianischen Inferenz-Framework her. Kern des Ansatzes ist die Behandlung jedes der K Bins als freien Modellparameter mit einer Prior-Verteilung – in Anlehnung an Methoden wie Perturbationstheorie aus der Quantenelektrodynamik (QED) und Taylor-Entwicklungen. Die Modellgüte wird über die sogenannte Surprisal bewertet: log P(X|ℳ) = Genauigkeit minus Komplexität. Modelle mit zu vielen Parametern werden durch den Komplexitätsterm bestraft, sodass die Methode strukturell overfitting-sicher ist. Ein weiteres Highlight ist das Model-Weighting statt eines simplen „Winner-takes-all"-Ansatzes: Alle Kandidatenmodelle werden nach ihrer Posterior-Wahrscheinlichkeit gewichtet kombiniert. Der Artikel demonstriert zudem adaptive Bins variabler Breite sowie eine explizite Unsicherheitsquantifizierung der geschätzten Dichte – beides Erweiterungen, die über Standard-Histogramme weit hinausgehen.