【读书笔记】只有浅出没有深入的数据分析(六)

第六章主要讲解了贝叶斯公式，讲的比较易懂，也没有写复杂的公式。

在这章我们不幸得了蜥蜴流感，医院初次诊断结果为阳性。

我们查到该诊断实验  如若患病有90%概率为阳性，如若未患病10%概率为阳性。（这里不会介绍各个分类模型，以后有机会可能会介绍)。

我们这里假设2种情形:

1.100人中90人患病：

这表示有10人不患病，10人的10%等于1，这1人诊断结果为阳性且未患病。

2.100人中10人患病：

这表示有90人不患病，90人中10%约等于9，这9人诊断结果为阳性且未患病。

我们可以用饼状图来表示一下这两种假设的情形。

import matplotlib.pyplot as plt

X = [81, 9, 1, 9]
Y = [9, 9, 9, 81]
labels = ['TP', 'FN', 'FP', 'TN']

plt.figure(1)

plt.pie(X, labels=labels, autopct='%1.2f%%')

plt.figure(2)
plt.pie(Y, labels=labels, autopct='%1.2f%%')
plt.show()

我们这里要看的是FP的概率(诊断结果为阳性，实际结果为阴性）的概率。

前者为1%，后者为8.33%，由此可见，整体的患病率影响着我们诊断结果的正确率。

（书中对真阴性的描述有误，真阴性应为TN(真负例),而书中描述为,FN(假负例))(原书175页)

 

我们这里计算的为条件概率，