Линейная регрессия нарисовала прямую. Но насколько она уверена в ответе — особенно там, где не видела ни одной точки? Продолжаем разговор о байесовском выводе:

СПбГУ — 2026.10.16 — Предсказания и классификация
(слайды, доска и ноутбук на странице курса)

Сначала закончили байесовскую линейную регрессию: вместо одного "лучшего" набора весов учитываем всё апостериорное распределение и получаем не только прогноз, но и его неопределённость. На картинках и в ноутбуке видно, почему она зависит от того, где именно мы спрашиваем модель, и что происходит при экстраполяции.

Затем переходим к классификации: рисуем разделяющие поверхности, ищем хорошую проекцию методом Фишера и выводим оптимальный байесовский классификатор. Из предположения о гауссовских классах получаются QDA и LDA — и становится понятно, от чего зависит форма границы между классами. Эти классические идеи полезны и сегодня: на них хорошо видно, как связаны геометрия, вероятности и предположения о данных.

#spsu #bayes2026 #lectures