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
公式本身不難,難的是先驗、似然與資料脈絡怎麼設得合理。
不一定,但在小樣本、需要更新信念的場景很有用。
貝氏推論是建立在貝氏定理上的更大一套方法。
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
來源
這個術語目前沒有標註外部來源。
其他格式:Markdown 版本