前言贝叶斯的一系列方法让我们在对数据建模的时候可以评估模型的认知不确定性，即：我们可以获得一种模型对自己的预测值有多大把握的评价指标，这种评价在许多方法中通常以方差的形式出现。本文介绍2016年在模型uncertainty方面比较有影响力的一篇文章，文章的附录中有大量的推导，考虑到其中有些公式的变换涉及到额外的文献，对一些推导细节不做深入讨论，只大概了解其过程和思想，重点看如何搭建模型，以及如何体

前言本来是想看模型uncertainty的，也不知怎么就回溯到了这里，建议提前看下极大似然估计，最大后验估计，贝叶斯公式。线性回归这里以一个多维的特征向量举例：假设输入样本为x\bm{x}x，模型的输出为不同参数在该样本上的线性组合f(x)=wTxf(\bm{x})=w^T\bm{x}f(x)=wTx，样本的标签为y=f(x)+ϵ\bm{y}=f(\bm{x}) + \epsilony=f(x)+

latex实现表格跨页