核心思想

贝叶斯定理描述的是：如何在获得新证据后，更新我们对某个假设的相信程度。

公式：

P(H|E) = P(E|H) × P(H) / P(E)
  • P(H)：先验概率（在看到证据前，你对假设 H 的相信程度）；
  • P(E|H)：似然（如果 H 为真，看到证据 E 的可能性）；
  • P(E)：证据 E 出现的总概率；
  • P(H|E)：后验概率（看到证据 E 后，你对 H 的相信程度）。

一个直观例子

场景：一种疾病在人群中的患病率是 1%。检测的准确率是：患者检测阳性 99%，健康人检测阳性 5%（假阳性率）。

问题：你检测为阳性，实际患病的概率是多少？

很多人的直觉：99%（因为检测准确率 99%）。

但贝叶斯计算：

假设 10000 人：

  • 100 人患病 → 99 人检测阳性；
  • 9900 人健康 → 495 人（5%）检测阳性（假阳性）。

阳性总人数 = 99 + 495 = 594。

其中真正患病的 = 99。

P(患病 | 阳性) = 99 / 594 ≈ 16.7%

结论：即便检测"准确率 99%"，阳性后真正患病的概率只有约 17%。

关键原因：先验概率（患病率 1%）很低，所以假阳性的绝对数量（495）远超真阳性（99）。

这被称为"基础比率谬误（Base Rate Fallacy）" ——忽略先验概率，只看新证据的强度。

贝叶斯思维的三个要点

一、信念是分级的，而非二元的

不是"我相信"或"我不相信"，而是"我有 60% 的把握"。

二、信念应该随证据更新

看到新证据 → 更新概率 → 保留被证伪的可能性。

三、先验很重要

一个新证据能改变多少看法，取决于：

  • 证据的强度（似然比）；
  • 你原本的看法有多强（先验）。

" extraordinary claims require extraordinary evidence"（非凡的主张需要非凡的证据） —— 这正是贝叶斯思维的体现：如果先验概率很低（非凡主张），就需要极强的证据才能把后验概率推高。

实际应用

一、医学诊断

理解筛查结果的含义（如上面的例子）——解释了为什么对低患病率人群做普遍筛查，会产生大量假阳性（这也是医学界对某些筛查项目持谨慎态度的原因之一）。

二、垃圾邮件过滤

最早的贝叶斯垃圾邮件过滤器：计算"在包含某词的邮件中，是垃圾邮件的概率"，综合多个词得出判断。

三、机器学习

朴素贝叶斯分类器、贝叶斯网络、贝叶斯优化——都是贝叶斯思想的应用。

四、日常判断与决策

  • "这条新闻可信吗？" —— 考虑信源的历史可靠度（先验）和这条新闻的具体证据；
  • "这个项目会成功吗？" —— 考虑同类项目的基准成功率（先验）和这个项目的具体信号；
  • "这次延误是因为 XX 吗？" —— 考虑 XX 发生的常见程度（先验）。

常见误区

一、随意设定先验

先验应当基于可靠的基准数据，而非猜测。如果先验是编的，结论也不可靠。

二、忽略基础比率

这正是上面例子揭示的问题——只关注"检测有多准"，而忘记"这种病有多常见"。

三、忽略证据的"选择性"

如果你只看到支持性的证据，而没看到反面证据（确认偏差），那么即使做贝叶斯更新也会得出错误结论。

说明：本文为概率与思维方法的知识整理。