企业官网建设流程全解析

贝叶斯概率公式

贝叶斯公式是概率论中非常核心的一个工具，它的核心理念就是：

如何根据新出现的信息或证据，去修正我们对某个事物原有的看法。

下面用一个生动的生活场景来解释，然后再拆解那些专业术语。

一、 一个通俗的生活例子：医生诊断

假设某种罕见病在人群中的发病率是1%。现在有一种检测该病的试剂盒，它的准确率是90%（也就是说，如果一个人确实得病了，试剂盒有 90% 的概率测出阳性）。

现在，你随便在街上找了一个人进行测试，结果呈现阳性。

请问：这个人真的得病的概率是多少？

很多人直觉上会脱口而出：“既然试剂盒准确率是 90%，那他得病的概率不就是 90% 吗？”

答案是：错，他得病的概率其实只有大约 8.33%。

为什么会这样？这就是贝叶斯公式要解决的问题。我们用“数人头”的方式算一下：

二、 严谨的“数人头”推导

假设我们对1000 个人进行筛查：

第一步：划分健康人群和患病人群（基于 1% 的发病率）

• 真有病的人：1000×1%=101000 \times 1\% = \mathbf{10}1000×1%=10人。
• 健康的人：1000−10=9901000 - 10 = \mathbf{990}1000−10=990人。

第二步：看测试结果（基于 90% 准确率 / 10% 误差率）

• 在有病的 10 个人中：
  • 试剂盒准确率是 90%，所以有10×90%=910 \times 90\% = \mathbf{9}10×90%=9人会被测出阳性（真阳性）。
• 在健康的 990 个人中：
  • 试剂盒有 10% 的误差率，所以有990×10%=99990 \times 10\% = \mathbf{99}990×10%=99人会被错误地测出阳性（假阳性/误诊）。

第三步：计算概率

现在，测试结束了。所有被测出“阳性”的人站在一旁，总共有多少人？

• 阳性总人数=9人（真有病）+99人（健康被误诊）=1089\text{人（真有病）} + 99\text{人（健康被误诊）} = \mathbf{108}9人（真有病）+99人（健康被误诊）=108人。

在这 108 个拿到“阳性报告”的人里面，真正有病的其实只有那 9 个人。
所以，这个人真正得病的概率是：

真实得病概率=9108=112≈8.33%\text{真实得病概率} = \frac{9}{108} = \frac{1}{12} \approx \mathbf{8.33\%}真实得病概率=1089​=121​≈8.33%

这个 8.33% 就是我们要找的后验概率。即使拿到了阳性报告，他真正得病的概率也只有 8.33% 左右，而不是直觉上的 90%。

二、 什么是先验概率和后验概率？

结合上面的例子，我们来理解人们常说的“先验”和“后验”。

1. 先验概率（Prior Probability）：P(B)P(B)P(B)

• 通俗解释：在没有得到任何新证据之前，你对某个事物概率的初始估计。它通常来自历史数据、常识或统计规律。
• 例子中：在做测试之前，我们知道这个病在人群中的发病率是 1%。这个1%就是先验概率。

2. 后验概率（Posterior Probability）：P(B∣A)P(B|A)P(B∣A)

• 通俗解释：在拿到了新证据（或观察到新数据）之后，你对该事物概率做出的修正。
• 例子中：在拿到“测试结果为阳性”这个新证据后，我们把得病的概率从 1% 修正到了8.33%。这个 8.33% 就是后验概率。

3. 似然（Likelihood）：P(A∣B)P(A|B)P(A∣B)

• 通俗解释：如果假设成立，观察到这个新证据的可能性有多大。
• 例子中：如果这个人确实得病了（假设成立），试剂盒测出阳性（新证据）的概率是90%。

三、 重新审视贝叶斯公式

现在我们再来看贝叶斯公式：

P(B∣A)=P(A∣B)P(B)P(A)P(B \mid A) = \frac{P(A \mid B) P(B)}{P(A)}P(B∣A)=P(A)P(A∣B)P(B)​

我们可以把这个公式翻译成更直观的语言：

后验概率（新看法）=似然（新证据的含金量）×先验概率（旧看法）标准化常量（新证据出现的总概率）\text{后验概率（新看法）} = \frac{\text{似然（新证据的含金量）} \times \text{先验概率（旧看法）}}{\text{标准化常量（新证据出现的总概率）}}后验概率（新看法）=标准化常量（新证据出现的总概率）似然（新证据的含金量）×先验概率（旧看法）​

对应我们例子中的含义：

• P(B)P(B)P(B)（先验概率）：在做测试前，这个人得病的初始概率。也就是发病率1%（即 0.01）。
• P(A∣B)P(A|B)P(A∣B)（似然）：如果他真的得病了，测试呈阳性的概率。也就是准确率90%（即 0.9）。
• P(A)P(A)P(A)（全概率）：所有人中，测试呈阳性的总概率。
  • 它的计算方式是：（真得病且呈阳性的概率）+（健康但被误诊呈阳性的概率）\text{（真得病且呈阳性的概率）} + \text{（健康但被误诊呈阳性的概率）}（真得病且呈阳性的概率）+（健康但被误诊呈阳性的概率）
  • 即：P(A)=1%×90%+99%×10%=0.009+0.099=0.108P(A) = 1\% \times 90\% + 99\% \times 10\% = 0.009 + 0.099 = 0.108P(A)=1%×90%+99%×10%=0.009+0.099=0.108（即 10.8%）。
• P(B∣A)P(B|A)P(B∣A)（后验概率）：在看到阳性结果后，他真正得病的概率。

代入公式：
P(B∣A)=0.9×0.010.108=0.0090.108≈8.33%P(B \mid A) = \frac{0.9 \times 0.01}{0.108} = \frac{0.009}{0.108} \approx \mathbf{8.33\%}P(B∣A)=0.1080.9×0.01​=0.1080.009​≈8.33%

四、 贝叶斯公式的核心思想

如果用一句话来概括贝叶斯公式的精髓，那就是：

我们的认知，是由“先验偏见”和“新事实”共同决定的。

1. 不能忽视先验概率：如果一个事情发生的概率本来就极低（比如中彩票、遇到外星人、得罕见病），即使你看到了一个看起来很像的“证据”，它真实发生的概率依然可能不高。
2. 认知是不断迭代的：如果你连续测试了两次，都是阳性呢？此时，第二次计算的“先验概率”就不再是 1% 了，而是第一次计算出来的“后验概率” 15.2%。随着新证据源源不断地进来，你的后验概率会越来越接近真相。这也是为什么在医学筛查中，如果某种病非常罕见（先验概率极低），医生绝对不会仅仅根据一次筛查呈阳性就给你确诊，通常需要你做第二次、第三次不同原理的检测。因为每一次新的检测，都会把上一次计算出来的“后验概率”作为新的“先验概率”进行重新迭代，最终让诊断概率无限逼近 100%。

在机器学习和分类问题中（如垃圾邮件分类），贝叶斯分类器正是利用了这一原理：通过统计历史邮件中某些词（如“中奖”、“发票”）出现的频率作为先验和似然，当一封新邮件进来时，计算它是垃圾邮件的“后验概率”，从而做出准确的分类。