AITerms 登入
機器學習統計方法AI基礎

貝氏定理(Bayes Theorem)是什麼?

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。

完整定義

貝氏定理是一種概率論中的重要定理,它描述了在已知一些條件下,事件發生的機率。更具體地說,貝氏定理描述了在給定證據的情況下,一個假設的機率。它基於先驗機率(prior probability)、條件機率(likelihood)和證據(evidence),來更新對事件的信念。

白話說明

醫療檢測顯示陽性後,你心裡的機率判斷是不是立刻就變了?

你可以把貝氏定理想成根據新證據更新信念的公式。

它把原本的先驗想法和新觀察到的證據合在一起,算出更新後的結論。

記住這句

看到新證據,就更新原本的判斷

比喻:貝氏定理就像偵探辦案 -- 你先對嫌犯有個初步猜測(先驗機率),然後收集新證據(條件機率),根據新證據調整你對嫌犯的懷疑程度,讓判斷更精準。

容易混淆

貝氏定理 vs 頻率學派?

貝氏定理:用新證據更新舊信念

頻率學派:偏向看長期重複試驗的比例

最關鍵的區別:前者會更新信念,後者更重視長期頻率

先驗 vs 後驗?

先驗:看證據前的原本想法

後驗:看過證據後更新的結果

最關鍵的區別:貝氏定理最重要的就是從先驗走到後驗

機率 vs 信賴區間?

機率:對事件發生可能性的描述

信賴區間:參數估計的不確定範圍

最關鍵的區別:這兩個都會談不確定性,但概念與用途不同

實際案例

醫療篩檢

測驗陽性不代表一定生病,還要把疾病盛行率和檢驗準確度一起算進去

垃圾郵件分類

看到某些關鍵字後,系統會把這封信是垃圾信的機率往上調

演算法與應用

重點
先驗
你要看什麼
原本機率
為什麼重要
代表看證據前的背景知識
重點
似然
你要看什麼
在某假設下看到資料的機率
為什麼重要
代表證據有多支持假設
重點
後驗
你要看什麼
更新後機率
為什麼重要
代表結合後的最終判斷

iPAS 考題

Q:貝氏定理最核心的概念是什麼?

利用新證據更新原本的先驗機率,得到後驗機率。

Q:貝氏定理可以用在哪些地方?

分類、推論、醫療判讀、風險評估等場景都很常見。

情境判斷

Q1:你原本覺得某病很少見,檢測結果陽性後,還需要考慮盛行率嗎?

需要,因為先驗和證據要一起看,不能只看單次結果

Q2:如果樣本越來越多,先驗的影響通常會變大還變小?

通常會變小,因為資料本身提供的證據會變強

常見問題

出現在這些考古題

官方公告試題的逐題解析裡,這 2 題把貝氏定理列為延伸術語。

相關術語

本頁內容有提到,或屬於同一組主題的術語

來源

這個術語目前沒有標註外部來源。

其他格式:Markdown 版本