一次阳性检测,究竟意味着什么?
贝叶斯定理回答的是一个非常具体的问题:看到证据之后,我该相信什么? 它把「假设导致证据」的概率,翻转成「证据支持假设」的概率 —— 这一翻转,是机器学习、医学诊断与科学推理共同的底层逻辑。
先别算,凭直觉猜一次
· 这种病在人群中的患病率是 1%(每 1000 人有 10 人患病);
· 检测的灵敏度是 99%:真正患病的人里,99% 会被检出阳性;
· 检测的假阳性率是 1%:健康的人里,也有 1% 被误判为阳性。
现在,一位受检者的结果是阳性。他真正患病的概率是多少?
定理从哪来:四步推出贝叶斯公式
符号词典
分母只是让结果落在 0–1 之间的「归一化常数」,它不改变谁更可能,只改变刻度。
后验几率 = 似然比 × 先验几率
似然比 $\mathrm{LR}=\dfrac{P(B|A)}{P(B|A^{c})}$ 越大,一条证据越「有力」。这个视角在医学与司法中比概率更常用。
交互实验台:把公式拆成 1 万个人
连续证据:贝叶斯是滚动更新的
以默认参数为例:一次阳性把患病概率从 1% 推到了 50%。如果同一个人再做一次检测,结果该如何更新? —— 用 50% 替换原来的 1%,重算一次即可。下面沿用实验台当前的灵敏度与特异度演示:
四个常见谬误,六个真实战场
基础率谬误 最常见
把 P(证据|假设) 当成 P(假设|证据), 同时忘记先验。检测「准确率 99%」听上去很可靠,但当疾病罕见时,阳性者中仍可能大半是虚惊。
P(阳性|患病) = 99.0%, 而 P(患病|阳性) = 50.0%。 两者相差 2.0 倍 —— 方向一反,结论就完全变了。
假阳性规模的错觉
假阳性率只有 1%,听上去微不足道。但健康人远比病人多,1% 乘以一个巨大的基数,绝对数量可能超过真阳性。
健康人是病人的 99 倍,足以把 1% 放大成与真阳性同量级的数字。
检察官谬误
把「无辜者留下该证据的概率」当成「留下该证据者有罪的概率」。两者之间隔着整个先验。
忽略证据的独立性
两次检测若高度相关(同一种试剂、同一个病灶),第二条证据的信息量会大打折扣。贝叶斯公式默认条件独立, 这一点在现实中必须核对,否则会把概率算得过于自信。
医学诊断
筛查、影像与基因检测的阳性预测值,都依赖患病率。
垃圾邮件过滤
朴素贝叶斯:由词的出现反推「这封是垃圾邮件」的概率。
工业质检
缺陷率极低时,误报数量往往超过真实缺陷数。
司法证据
DNA、指纹匹配必须结合人群基数,否则构成检察官谬误。
推荐与排序
点击率估计以历史先验为起点,由新行为不断修正。
A/B 实验
贝叶斯方法直接给出「B 优于 A」的概率,而非仅一个 p 值。
把定理变成一种思维方式
写下先验
在看证据之前,我认为它有多可能?用基础率、历史数据或经验给出一个数字。
评估似然
如果假设为真,出现这个证据的概率有多大?如果假设为假,又有多大?
算清分母
这个证据在「所有可能情形」下的总概率是多少?分母决定了证据到底有多稀有。
得到后验
归一化后得到新信念,并把它作为下一次推理的先验,持续滚动更新。