贝叶斯公式本质是观点随事实发生变化
(D更新的概率) = P(D|T) = (似然比)X (D的先验概率)
似然比衡量的是,该疾病的患者得到阳性检测结果比一般群体要高多少
1.观点随事实变化
最近在看《为什么 •关于因果关系的新科学》,里面说到的贝叶斯方法让我深受启发,我本身是学数学的,以前纯粹从概率论的角度去理解贝叶斯方法,现在觉得如此的肤浅。今天就重点说说贝叶斯方法。
用一句大白话总结贝叶斯方法:观点随事实发生变化。
太阳必定会从东方升起来,这是百分百确定的事实;一年中某个日子是星期八,这是绝对不会发生的事情。生活中,我们对这两件事都是确定无疑的,也就是我们可以用可信度来衡量我们对事件发生的可能性,这个可信度量化之后,就是数学上的概率,用字母P表示。比如,太阳从东方升起,那么P(太阳从东方升起)=100%;一年中会有星期八,P(星期八)=0.
但是现实中不是每个事件都是确定的,比如抛硬币,就是不确定的事件,但是我们可以知道,任何一枚质地均匀的硬币,抛一次正面朝上的概率是50%。这就是我们说的先验概率,还没发生之前预知即将发生的概率。
但是,如果你连续抛9次,都是正面朝上,你还会认为这枚硬币是质地均匀的嘛,如果不是,你对这枚硬币产生了怀疑,这枚硬币得到正面的概率是9/10,因为一系列的事实,让你改变了对这枚硬币的看法,这就是观点随事实发生变化。
生活中很多这样的现象,比如早上起床,你发现隔壁从不带伞的老王带伞出去了,那么你就会推测今天下雨的概率将提高;你公司招收了从简历上看很不错的研究生,等到入职后发现根本没有简历上写得那么优秀,那么你对这位新员工的能力也会质疑。
我们可以将贝叶斯方法看作一种方法,用以更新我们对某一特定假设的信念。这一点非常重要,因为人类对未来事件的信念大多取决于该事件或类似事件发生的频率。
基于此,我们定义向前概率和逆概率。由因推断果的概率,叫做向前概率,这很容易计算,比如男孩向窗户仍一块石头,这个窗户被打破的概率,很容易计算。但是反过来,知道窗户打烂了,那么要推断出怎么打烂的,这个就是由果倒推因,也就是逆概率,这个就比较困难了。
但利用贝叶斯方法&