10.贝叶斯公式

1.定义

• 贝叶斯公式的含义是在已知一些观察结果（证据）的情况下，根据这些观察结果来更新对某个事件发生的概率的估计。它提供了一种用于条件概率计算的工具，允许我们根据先前的信息来更新对未知事件发生概率的置信度。

• 贝叶斯公式的一般形式如下：

  • P(A|B) = (P(B|A) * P(A)) / P(B)

• 公式中的符号含义如下：

  • P(A|B)：事件 B 发生的条件下，事件 A 发生的概率，也称为后验概率。这是我们所要求解的目标概率，即在观察到事件 B 发生后，我们对事件 A 发生的新估计。
  • P(B|A)：事件 A 发生的条件下，事件 B 发生的概率，也称为似然度。它描述了在已知事件 A 发生的情况下，事件 B 发生的可能性。
  • P(A)：事件 A 自身发生的概率，也称为先验概率。这是在考虑任何观察结果之前，对事件 A 发生的初始估计。
  • P(B)：事件 B 自身发生的概率。这是在考虑任何观察结果之前，对事件 B 发生的初始估计。

• 贝叶斯公式的本质是通过已有的信息来修正我们对未知事件概率的看法。它将先验概率和似然度结合起来，得出新的后验概率。随着我们获取更多的观察数据，我们可以不断更新后验概率，从而不断优化我们对事件发生概率的估计，这一过程称为贝叶斯推断。

• 在实际应用中，贝叶斯公式被广泛用于模式识别、机器学习、数据挖掘等领域。例如，在朴素贝叶斯分类器中，我们可以利用贝叶斯公式来计算在给定特征的条件下，某个类别的后验概率，从而进行分类任务。贝叶斯公式为我们提供了一种有理论支持的概率推断方法，使得我们能够更准确地利用已有的信息做出决策。

2.例子

假设有一个疾病测试，该测试用于检测某种疾病，我们用事件 A 表示测试为阳性（即检测结果为患病），事件 B 表示实际上患病。

已知以下信息：

• 疾病的患病率 P(B) = 0.01（1% 的人口患有该疾病）。
• 测试的准确性：P(A|B) = 0.98（在患有疾病的情况下，测试为阳性的概率为 98%）。
• 误报率：P(A|¬B) = 0.05（在没有患病的情况下，测试为阳性的概率为 5%）。

我们希望利用测试结果来估计一个人实际上患病的概率，即 P(B|A)，也就是在测试为阳性的情况下，实际上患病的概率。

根据贝叶斯公式：
P(B|A) = (P(A|B) * P(B)) / P(A)

其中，

• P(B|A) 是在测试为阳性的条件下实际患病的概率（后验概率）。
• P(A|B) 是在实际患病的条件下测试为阳性的概率（似然度）。
• P(B) 是实际患病的概率（先验概率）。
• P(A) 是测试为阳性的概率。

我们需要计算 P(A)，即测试为阳性的概率。

P(A) = P(A|B) * P(B) + P(A|¬B) * P(¬B)

其中，

• P(¬B) 是没有患病的概率，等于 1 - P(B)。

现在我们可以计算 P(A)：
P(A) = (0.98 * 0.01) + (0.05 * 0.99)
= 0.0098 + 0.0495
= 0.0593

现在，我们可以利用 P(A) 来计算 P(B|A)：
P(B|A) = (0.98 * 0.01) / 0.0593
= 0.0098 / 0.0593
≈ 0.1655

所以，在测试为阳性的情况下，一个人实际上患病的概率约为 0.1655，即约为 16.55%。通过贝叶斯公式，我们可以用测试结果来更新对患病概率的估计。