概率_如何理解贝叶斯定理

先看贝叶斯定力的公式表示：

通过事例来了解

已知对steve这个人的大概描述，（温顺，乐于助人，做事有条理，注重细节，喜欢钻研，对周围的人不太感兴趣）推断steve的职业：

图书管理员 or 农民

大部分人倾向于图书管理员

但是这些人忽略了图书管理员与农民的比例

怎么理性的不忽略调所有重要的因素呢

先画出样本

在所有样本中，40%图书管理员hit（1040%=4），10%的农民hit（20010%=20）

那么从符合条件的人中随便抽出一个，

是图书管理员的概率表示为：

4/24=16.7%

是农民的概率为：

20/24=83.3%

所以，你的先验经验认为是图书管理员的概率大于是农民的概率，然而实际农民的数量是数倍于图书管理员的

贝叶斯定理的本质是新的证据不能直接用于你的决策，应该用来更新你的先验经验

在算法上就是

再如：

离散数据案例

样本：
身高 体重 鞋码 性别
高 高 高 男
低 低 低 女
中 高 高 男
中 低 低 女
…
假如我们有一些这样的样本数据

我们遇到的数据可以分为两种，一种是离散数据，另一种是连续数据。那什么是离散数据呢？

离散就是不连续的意思，有明确的边界，比如整数 1，2，3 就是离散数据，而 1 到 3 之间的任何数，就是连续数据，它可以取在这个区间里的任何数值。
我以下面的数据为例，这些是根据你之前的经验所获得的数据。然后给你一个新的数据：身高“高”、体重“中”，鞋码“中”，请问这个人是男还是女？

针对这个问题，我们先确定一共有 3 个属性，假设我们用 A 代表属性，用 A1, A2, A3 分别为身高 = 高、体重 = 中、鞋码 = 中。一共有两个类别，假设用 C 代表类别，那么 C1,C2 分别是：男、女，在未知的情况下我们用 Cj 表示。

那么我们想求在 A1、A2、A3 属性下，Cj 的概率，用条件概率表示就是 P(Cj|A1A2A3)。根据上面讲的贝叶斯的公式，我们可以得出：

因为一共有 2 个类别，所以我们只需要求得 P(C1|A1A2A3) 和 P(C2|A1A2A3) 的概率即可，然后比较下哪个分类的可能性大，就是哪个分类结果。

在这个公式里，因为 P(A1A2A3) 都是固定的，我们想要寻找使得 P(Cj|A1A2A3) 的最大值，就等价于求 P(A1A2A3|Cj)P(Cj) 最大值。

我们假定 Ai 之间是相互独立的，那么： P(A1A2A3|Cj)=P(A1|Cj)P(A2|Cj)P(A3|Cj)
然后我们需要从 Ai 和 Cj 中计算出 P(Ai|Cj) 的概率，带入到上面的公式得出 P(A1A2A3|Cj)，最后找到使得 P(A1A2A3|Cj) 最大的类别 Cj。

我分别求下这些条件下的概率：

P(A1|C1)=1/2, P(A2|C1)=1/2, P(A3|C1)=1/4，（身高为高，一半是男性；体重为中，一半是男性；鞋码为中，1/4是男性）

P(A1|C2)=0, P(A2|C2)=1/2, P(A3|C2)=1/2，

所以 P(A1A2A3|C1)=1/16,

P(A1A2A3|C2)=0。

因为 P(A1A2A3|C1)P(C1)>P(A1A2A3|C2)P(C2)，

所以应该是 C1 类别，即男性。

总结：分别计算两种结果的概率，取最大

连续数据案例

实际生活中我们得到的是连续的数值，比如下面这组数据：

那么如果给你一个新的数据，身高 180、体重 120，鞋码 41，请问该人是男是女呢？
公式还是上面的公式，这里的困难在于，由于身高、体重、鞋码都是连续变量，不能采用离散变量的方法计算概率。而且由于样本太少，所以也无法分成区间计算。怎么办呢？

这时，可以假设男性和女性的身高、体重、鞋码都是正态分布，通过样本计算出均值和方差，也就是得到正态分布的密度函数。有了密度函数，就可以把值代入，算出某一点的密度函数的值。

比如，男性的身高是均值 179.5、标准差为 3.697 的正态分布。所以男性的身高为 180 的概率为 0.1069。怎么计算得出的呢? 你可以使用 EXCEL 的 NORMDIST(x,mean,standard_dev,cumulative) 函数，一共有 4 个参数：

x：正态分布中，需要计算的数值；

Mean：正态分布的平均值；

Standard_dev：正态分布的标准差；

Cumulative：取值为逻辑值，即 False 或 True。它决定了函数的形式。当为 TRUE 时，函数结果为累积分布；为 False 时，函数结果为概率密度。

这里我们使用的是 NORMDIST(180,179.5,3.697,0)=0.1069。

同理我们可以计算得出男性体重为 120 的概率为 0.000382324，男性鞋码为 41 号的概率为 0.120304111。

所以我们可以计算得出：
P(A1A2A3|C1)=P(A1|C1)P(A2|C1)P(A3|C1)=0.10690.000382324 0.120304111=4.9169e-6

同理我们也可以计算出来该人为女的可能性：
P(A1A2A3|C2)=P(A1|C2)P(A2|C2)P(A3|C2)=0.00000147489 0.015354144 0.120306074=2.7244e-9

很明显这组数据分类为男的概率大于分类为女的概率。

例如一项针对1000个样本的癌症检测，这1000个样本中有10%是真阳性，

检测结果是：

10%的阳性样本中有一人为假阴性

剩下90%中有89人为假阳性

那么，有一个检测结果为阳性的样本，要么是在真阳性的9个样本，要么是假阳性的89个样本

则这个样本为阳性的概率为：

实际我们知道，受试这真阳性中有9人的结果正确，我们说它的正确率9/10，在医学上，叫做检测的灵敏度为9/10

另外990个样本有901的检测结果正确

以上，如果一个样本检测出阳性，只有1/11的概率是阳性

在医生们已知

发病率为1%
灵敏度是90%
特异度是91%

这三个数据

而推断出一个阳性样本最接近的正式概率是9/10（1/11）

为什么会存在这样的误差

检测前正式的概率为1/100（1000个样本10个阳性）

而通过这次检测，将先验概率提高到1/11

而我们求得的四个数据中

将灵敏度除以假阳率

表示检测结果为阳性时，具体有多少可能患病

这个数称为贝叶斯系数，或者似然比

（可以把这个数理解为一个系数，即出现阳性结果时，有多少可能是真的阳性，按概率的思路来理解就是）