贝叶斯定理_贝叶斯公式应用经典故事案例-CSDN博客

贝叶斯定理有什么用

贝叶斯定理由来

英国数学家贝叶斯为了解决“逆概率”问题，提出贝叶斯定理。

正向概率

桶里10个球，其中2个白球，8个黑球，任意摸出一个球，是白球的概率。在这里插入图片描述
而贝叶斯定理就是解决“逆概率“问题，我们不知道桶里面有什么，而是根据摸出来的球来预测桶里的白球和黑球的比例。

为什么贝叶斯定理在生活中这么有用

现实生活中的问题，大部分都是像上面的“逆概率“问题。
生活中的绝大多数决策棉铃的信息都是不全的，我们手中只有有限的信息，也就是说，在我们无法得到全面的信息，我们就在信息有限的情况下，尽可能做出一个好的预测。贝叶斯定理可以根据过去的数据来预测出概率，特别的，他是机器学习的核心方法之一。

什么是贝叶斯定理

直接从例子入手
我的朋友发糕说，他的男神每次看到他的时候都冲她笑，他想知道男神是不是喜欢她。

这里，通过分析给出已知信息和未知信息

要解决的问题：男神喜欢你，记为A事件
已知条件：男神经常冲你笑，记为B事件

那么P(A|B)是男神经常冲你笑这个事件B发生后，男神喜欢你（A）的概率
在这里插入图片描述
下面了解三个东西：

先验概率

我们把P(A)称为“先验概率“，即我们在不知道B事件的前提下，对A事件概率的主观判断。

这里就是你不知道男神经常对你笑的前提下，来主观判断出男神喜欢一个人的概率，这里假设是50％，也就是喜欢不喜欢的概率都是一半。

可能性函数

公式里的P(B|A)/P(B)称为“可能性函数”，这是一个调整因子，即新信息B带来的调整，作用是使得先验概率更接近真实概率。

如果“可能性函数”P(B|A)/P(B)>1,意味着，“先验概率”被增强，事件A发生的可能性变大；
如果"可能性函数"=1，意味着B事件无助于判断事件A的可能性；
如果"可能性函数"<1，意味着"先验概率"被削弱，事件A的可能性变小。

这个例子里，通过男神经常冲你笑这个新的信息，我调查访问了男神的死党，最后发现男神平日比较高冷，很少对人笑，所以我估计出"可能性函数"P(B|A)/P(B)=1.5

后验概率

P(A|B)称为"后验概率"，即在事件B发生之后，我们对A事件的概率的重新评估。这里就是在男神冲你笑后，对男神喜欢你的概率重新预测。

带入贝叶斯公式计算出P(A|B)=P(A)* P(B|A)/P(B)=50% *1.5=75%

因此男神经常冲你笑，喜欢上你的概率是75%。这就说明，男神经常冲你笑这个信息的推断能力很强，将50%的“先验概率”一下子提高到75%的“后验概率”
在这里插入图片描述

如何理解贝叶斯定理

现在再看一遍贝叶斯公式，就能明白公式背后的关键思想：
我们先根据以往的经验预估一个“先验概率”P(A),然后加入新的信息（实验结果B）,这样有了新的信息后，我们对事件A的预测就更加准确。

因此，贝叶斯定理可以理解成下面的式子：
在这里插入图片描述
后验概率（新信息出现后的A概率）＝先验概率（A概率）x 可能性概率（新信息带来的调整）

贝叶斯定理的应用案例

全概率公式

这个公式的作用是计算贝叶斯定理中的P(B)

假定样本空间S，由两个事件A和A’组成的和，下图中，红色的部分是事件A，绿色的部分是事件A’，他们共同构成了样本空间S.
在这里插入图片描述
这时候，来了个事件B

全概率公式：

它的含义是，如果A和A’构成一个问题的全部（全部的样本空间），那么事件B的概率，就等于A和A’的概率分别乘以B对这两个事件的条件概率之和。

贝叶斯定理在判断中的应用

两个一摸一样的碗，1号碗里30个巧克力和10个水果糖，2号碗里20个巧克力和20个水果糖。在这里插入图片描述
然后把碗盖住，随机选择一个碗，从里面摸出一个巧克力。
问题：这颗巧克力来自1号碗的概率是多少？

第1步，分解问题

要求解的问题：取出的巧克力，来自1号碗的概率是多少？
来自1号碗记为事件A1,来自2号碗记为事件A2
取出的是巧克力，记为事件B
那么要求的问题就是P(A1|B),即取出的是巧克力，来自1号碗的概率
已知信息：

1号碗里有30个巧克力和10个水果糖
2号碗里有20个巧克力和20个水果糖
取出的是巧克力

第2步，应用贝叶斯定理

在这里插入图片描述

求贝叶斯中的2个指标

求先验概率
由于两个碗一样，因此P(A1)=P(A2)=0.5
求可能性函数
可能性函数P(B|A1)/P(B)
其中P(B|A1)表示从一号碗中(A1)取出巧克力(B)的概率
因为1号碗里有30个水果糖和10个巧克力，所以P(B|A1)=30/(30+10)=75%,现在只要求出P(B)就可以得到答案，根据全概率公式，可以求出P(B)

P(B)=62.5%
所以，可能性函数P(A1|B)/P(B)=1.2>1,代表新信息B对事件A1的可能性增强了。
带入贝叶斯公式求后验概率
P(A1|B)=60%

贝叶斯定理解决问题的套路

第1步，分解问题

先列出解决这个问题所需要的一些条件，已知和未知
要求解的问题是什么？事件A（一般是想知道的问题），事件B(一般是新的信息，或者是实验结果)
已知条件是什么？

应用贝叶斯定理

求出贝叶斯公式中的两个指标

求先验概率
求可能性函数
带入贝叶斯公式求后验概率

贝叶斯定理在疾病检测中的应用

1、什么是假阳性

每一个医学检测，都存在假阳性率和假阴性率。假阳性就是没病，但是检测的结果是有病，那么假阴性就是有病，但是检测结果显示正常啦。

现在想象一下一个检测设备的准确率是99%，就是说会存在假阳性的情况，你可能被诊断有病，事实上你没有。

艾滋病大家都熟悉，他有一个潜伏期，就是即便你感染了但是你可能在相当长一段时间毫无感觉，所以艾滋病检测的假阳性会导致被测人非常大的心理压力啊。

99%,这个数字给人的感觉就是1%可以忽略不计，也就是说误诊的情况可以忽略不计，但事实上，咱们通过贝叶斯定理分析，不是你想的那样。

2、违反直觉的贝叶斯

现在有种病的发病率是0.001，有一种试剂可以检测患者是否得病，准确率是0.99，他的误报率是5％，就是说被测者没有患病的情况下，他有5%的可能呈现阳性。现在有一个患者检测结果是阳性，请问，他确实得病的可能性有多大？

第1步：分解问题

要求解的问题：病人的检测结果是阳性，他确实得病的概率是多大？
病人的检测结果是阳性（新的信息）为事件B；他得病记为事件A；那么求解的就是P(A|B)，即在病人检测结果为阳性，他确实得病的概率
2.已知信息：
疾病的发病率是0.001，即P(A)=0.001；
试剂可以检测患者是否得病，准确率为0.99，即患者确实得病的情况下（A）,他有99%的可能性呈现阳性（B)，所以P(B|A)＝0.99；
试剂的误报率是5%，即在患者没有得病的情况下，他有5%的可能显示阳性，事件A是得病，那么我们把没有得病记为事件A’，所以P(B|A’)＝5％

第2步：应用贝叶斯定理

在这里插入图片描述

求先验概率
疾病的发病率是0.001,即P(A)＝0.001
求可能性函数
P(B|A)/P(B)
其中P(B|A)表示患者确实得病，显示结果为阳性的概率，所以P(B|A)=0.99
现在求解P(B),根据全概率公式，P(B)=0.05
那么可能性函数P(B|A)/P(B)=19.8
带入贝叶斯公式后求后验概率
最终结果P(A|B)=1.98%
也就是说，虽然试剂的准确性为99%，但是通过检验判断有没有得病的概率只有1.98%

应该相信筛查结果吗

到这里你会觉得那些检测设备毫无用处，说是准确率高达99%,其实没啥用。我们还是拿艾滋病来说，发艾滋病的概率实在是小概率事件，所以当我们对一大群人进行筛查时，虽然准确率是99%，但仍然有相当一部分人因为误诊被诊断有艾滋病，甚至误诊数目比实际上真正艾滋病数量还高。
那么怎么样纠正这么高的误诊，根据贝叶斯定理，我们知道提高先验概率，可以有效的提高后验概率。所以解决的办法很简单，就是先锁定可以样本，比如10000人中检查出现问题的那10个人，再独立重复检测一次，因为正常人连续检测两次都出现误诊的概率极低，这时检测出真正的患者的概率就很高了。

这就是为什么艾滋病检测第一次检测呈阳性的人，还需要做第二次验测，第二次依然是阳性的还需要送交国家实验室做第三次检测。

在《医学的真相》这本书举了个例子，假设检测艾滋病毒，对于每一个呈阳性的检测结果，只有50%的概率能证明这位患者确实感染了病毒。但是如果这个医生具有先验知识，先筛选一些高风险的病人，然后再让这些病人进行艾滋病检查，检查的准确率就能提升到95％。

如何在生活中优化你的决策

Google用贝叶斯法则改进搜索功能，帮助用户过滤垃圾邮件；
无人驾驶汽车接受车顶传感器收集到的路况和交通数据，运用贝叶斯定理更新从地图上获得的信息；
人工智能、机器翻译中大量用到贝叶斯定理。

当你告诉小孩子一个新的单词，他开始不知道这个词是什么意思，但是他可以根据当时的情景猜测（先验概率/主观判断)，一有机会，他就会在不同的场合下说出这个词，然后观察你的反应，如果你告诉他用对了，他会进一步记住这个词的意思，如果告诉他用错了，他会做出调整（可能性函数/调整因子)。经过这样反复的猜测、试探、调整主观判断，就是贝叶斯定理思维的过程。
在这里插入图片描述
所以，当生活中涉及到预测的事情，用贝叶斯定理的思维可以提高预测的概率。你可以分三个步骤：
1、分解问题
先列出要解决的问题是什么？已知的条件有哪些？
2、给出主观判断
不是瞎猜，是根据自己的经历和学识来给出主观判断，也就是给出先验概率
3、搜集新的信息，优化判断
持续关注你要解决问题的相关信息的最新动态，然后用获取到的新信息来不断调整第2步的主观判断。如果新信息符合这个主观判断，你就提高主观判断的可信度，如果不符合，就降低主观判断的可信度。

比如我们刚开始看到“人工智能是否造成人类失业”这个信息，你有自己的理解（主观判断)，但当你学习了一些数据分析，或者看了些这方面的最新进展（新的信息），然后你根据掌握的最新信息优化了自己之前的理解（调整因子），最后重新理解了“人工智能”这个信息（后验概率）。这也就是胡适说的“大胆假设，小心求证“。

《股市心理学》这本书有这么一段话：

克服思维定式的一个有效方法就是不断地进行自我反省，通过回顾自己在过去一段时间里的交易情况和投资成绩，寻找出成功或者失败的原因。
当然，要改变一种即成的投资行为不是一蹴而就的，因为这涉及改变之前的习惯，而这种习惯在过去长期内不断重复和强化所形成的。我们的一些习惯是根深蒂固的情绪模式，除非我们不断作出努力，否则这些习惯模式很难发生改变。
在投资中，股民需要放宽视野，从全局审视市场的变化，要能够灵敏地觉察其中的变化，同时作出反应，还要不断检查自己的决定，推翻自己的错误想法，以开放的心态接受新观点和新证据。

你会发现这其实谈的就是如何用贝叶斯思维去优化你的决策。