什麼是 貝氏定理（Bayes Theorem）？

貝氏定理描述在已知一些條件下，事件發生的機率。它基於先驗機率、條件機率和證據，更新對事件的信念。

核心概念

貝氏定理的核心在於條件機率的概念，也就是在已知某事件發生的前提下，另一事件發生的機率。它將先驗機率（在觀察到任何證據之前的初始信念）與基於證據的條件機率結合起來，得到後驗機率（在觀察到證據之後更新的信念）。

• 先驗機率 (Prior Probability): 事件發生前，我們對該事件發生的主觀機率估計。例如，在診斷疾病之前，我們可能知道人群中患有該疾病的比例（先驗機率）。
• 條件機率 (Likelihood): 在假設事件發生的前提下，觀察到特定證據的機率。例如，如果某人患有某種疾病，那麼檢測結果呈陽性的機率。
• 證據 (Evidence): 我們實際觀察到的數據或信息。例如，檢測結果呈陽性。
• 後驗機率 (Posterior Probability): 在觀察到證據之後，事件發生的更新機率。例如，在檢測結果呈陽性的情況下，某人實際患有該疾病的機率。

貝氏定理的數學公式如下：

P(A|B) = [P(B|A) * P(A)] / P(B)

其中：

• P(A|B) 是在 B 發生的條件下，A 發生的機率（後驗機率）。
• P(B|A) 是在 A 發生的條件下，B 發生的機率（條件機率）。
• P(A) 是 A 發生的機率（先驗機率）。
• P(B) 是 B 發生的機率（證據）。

運作原理

貝氏定理的運作原理可以概括為以下幾個步驟：

1. 確定先驗機率： 首先，需要確定我們對事件發生的初始信念（先驗機率）。這可能基於歷史數據、專家意見或任何其他可用的信息。
2. 確定條件機率： 接下來，需要確定在假設事件發生的前提下，觀察到特定證據的機率（條件機率）。這通常需要基於實驗數據或理論模型。
3. 計算證據的機率： 然後，需要計算觀察到證據的總機率。這可以通過對所有可能的事件（包括事件發生和事件不發生）的條件機率進行加權平均來計算。
4. 計算後驗機率： 最後，使用貝氏定理的公式，將先驗機率、條件機率和證據的機率結合起來，計算後驗機率。後驗機率代表了在觀察到證據之後，我們對事件發生的更新信念。

舉例說明：

假設有一種罕見疾病，人群中患病率為 1% (P(Disease) = 0.01)。有一種檢測方法，如果某人患有該疾病，檢測結果呈陽性的機率為 95% (P(Positive|Disease) = 0.95)。如果某人沒有患病，檢測結果呈陽性的機率為 5% (P(Positive|No Disease) = 0.05)。

現在，某人的檢測結果呈陽性。我們想知道此人真正患有該疾病的機率 (P(Disease|Positive))。

根據貝氏定理：

P(Disease|Positive) = [P(Positive|Disease) * P(Disease)] / P(Positive)

首先，需要計算 P(Positive)：

P(Positive) = P(Positive|Disease) * P(Disease) + P(Positive|No Disease) * P(No Disease) = 0.95 * 0.01 + 0.05 * 0.99 = 0.059

然後，計算 P(Disease|Positive)：

P(Disease|Positive) = (0.95 * 0.01) / 0.059 = 0.161

因此，即使檢測結果呈陽性，此人真正患有該疾病的機率也只有 16.1%。這說明了在罕見事件中，即使檢測方法的準確性很高，也可能出現較高的假陽性率。

實際應用

貝氏定理在許多領域都有廣泛的應用，包括：

• 醫學診斷： 根據患者的症狀和檢測結果，判斷患者患有某種疾病的機率。
• 垃圾郵件過濾： 根據郵件的內容，判斷郵件是否為垃圾郵件。
• 機器學習： 用於構建貝氏分類器，例如樸素貝氏分類器。
• 金融風險評估： 評估貸款違約的機率。
• 自然語言處理： 用於語音辨識、機器翻譯等任務。
• A/B測試： 評估不同版本網頁或產品的表現。
• 異常偵測： 識別異常事件或行為。

常見誤區

• 忽略先驗機率： 有些人可能會忽略先驗機率，只關注條件機率。這可能導致錯誤的結論，尤其是在罕見事件中。
• 混淆條件機率和後驗機率： 條件機率 P(B|A) 和後驗機率 P(A|B) 是不同的概念。P(B|A) 是在 A 發生的條件下，B 發生的機率，而 P(A|B) 是在 B 發生的條件下，A 發生的機率。
• 假設條件獨立性： 在使用樸素貝氏分類器時，通常假設各個特徵之間是條件獨立的。然而，在實際應用中，這種假設可能不成立，從而影響分類器的性能。
• 過度自信： 貝氏定理可以幫助我們更新對事件的信念，但我們不應該過度自信。即使後驗機率很高，仍然存在不確定性。
• 數據偏差： 如果用於計算先驗機率和條件機率的數據存在偏差，那麼貝氏定理的結果也可能存在偏差。

常見問題