贝叶斯公式

直觉理解#

1000 人体检 → 约 1 个真得病且阳性 → 约 10 个没病但误报阳性 → 阳性人群中真病比例 ≈ 1/11 ≈ 9%。

贝叶斯公式就是把这个"数人头"的过程写成通用公式——不管场景怎么换，都能用同一套规则算出"看到证据后的更新概率"。

数学定义#

$P(A|B) = \frac{P(B|A) \times P(A)}{P(B|A) \times P(A) + P(B|\neg A) \times P(\neg A)}$P(A∣B)=P(B∣A)×P(A)+P(B∣¬A)×P(¬A)P(B∣A)×P(A)​

分子 = "A 成立时看到 B 的概率" × "A 本来的概率" 分母 = 所有能产生 B 的路径之和

体检例子代入#

$P(A|B) = \frac{0.99 \times 0.001}{0.99 \times 0.001 + 0.01 \times 0.999} = \frac{0.00099}{0.01098} \approx 0.09$P(A∣B)=0.99×0.001+0.01×0.9990.99×0.001​=0.010980.00099​≈0.09

公式的核心洞察#

为什么 99% 准确的检测，阳性后得病概率只有 9%？

因为分母包含了假阳性。999 个健康人中 1% 被误报 ≈ 10 人，远超 1 个真阳性。先验越低（病越罕见），假阳性的"稀释效应"越强。

这在机器学习中用来做什么#

贝叶斯公式是"用数据更新信念"的核心工具。垃圾邮件过滤器看到"免费""中奖"等关键词（证据），更新"这是垃圾邮件"的概率——这就是贝叶斯公式在日常中最常见的 AI 应用之一。