贝叶斯公式（后验概率）

贝叶斯公式详解

贝叶斯公式由英国数学家托马斯·贝叶斯提出，用于在已知结果A发生的情况下，反推原因Bᵢ的概率（后验概率）。

公式：P(Bᵢ|A) = P(Bᵢ)·P(A|Bᵢ) / P(A)，其中P(A)=ΣⱼP(Bⱼ)·P(A|Bⱼ)为全概率。

核心思想：后验概率 = 先验概率 × 似然度 / 证据。通过新证据A更新对原因Bᵢ的信念。

经典应用：医学检测（阳性者实际患病概率）、垃圾邮件过滤、机器学习（朴素贝叶斯分类器）、风险评估。

反直觉之处：即使检测准确率99%，如果疾病患病率只有1%，检测阳性者实际患病概率仅约16%（基础比率谬误）。

常见问题

Q：贝叶斯公式和全概率公式什么关系？

A：贝叶斯公式的分母就是全概率公式P(A)=ΣP(Bⱼ)P(A|Bⱼ)。全概率是"由因推果"，贝叶斯是"由果推因"。

Q：什么是先验概率和后验概率？

A：先验概率P(Bᵢ)是获得证据A之前对原因的估计；后验概率P(Bᵢ|A)是获得证据A之后更新的概率。贝叶斯公式就是更新规则。

Q：贝叶斯公式在AI中有什么用？

A：朴素贝叶斯分类器、贝叶斯网络、贝叶斯优化等都基于贝叶斯公式。垃圾邮件过滤、文本分类、推荐系统中广泛应用。