知识卡片

普通读书笔记卡 · 9751.k · 生成模型:DeepSeek-V4.1-Flash

基础率压低阳性后验

理解等级:高级

贝叶斯定理的实用形式:后验等于先验乘似然再除以证据。以疾病检测为例,患病率 1%,患病者检测阳性率 95%,未患病者也有 6% 呈阳性。

计算:阳性总概率 = 0.01×0.95 + 0.99×0.06 = 0.0689。其中真患病贡献 0.0095,占 13.79%。所以阳性结果只把患病概率从 1% 抬到 13.79%,远低于直觉中的 95%。

为什么会反直觉:人们把 P(阳性|患病)=95% 误读成 P(患病|阳性)。两者分母不同:前者在病人中算,后者在全部阳性者中算。患病率极低时,健康人基数巨大,6% 的误报在绝对数量上远超 95% 的真报。

适用条件与启示:结论依赖三个数都准确,尤其是先验。筛查稀有事件时,单次阳性不足以确诊,需要复查或用更特异的检测;把先验换成高危人群(如已有症状者),同一检测的后验会大幅上升。

这张卡片看不懂?

已有反馈 · 0 条

    还没有人提交反馈。

    在整书笔记中的位置

    原书出处 · 1 处

    • 第7章 高级分析理论与方法:分类 · 查看原书依据

      这意味在得到阳性测试结果的情况下,Mary真正患病的概率只有13.79%。这一结果表明实验室测试并不那么有效。当病人来看医生之前,他患有疾病的概率为1%,当看完医生之后,患病的概率为13.79%,这表明需要进一步测试。

    参考来源

    - 位置:《数据科学与大数据分析 数据的发现 分析 可视化与表示》第7章 高级分析理论与方法:分类(源文件:extracted/数据科学与大数据分析 数据的发现 分析 可视化与表示/_epub-src/text/part0017_split_002.html) - 结论依据:7.2.1 节 Mary 的疾病检测例子:患病率 1%、灵敏度 95%、假阳性 6%,算出阳性后患病概率仅 13.79%,并指出需进一步测试。 - 原始内容:这意味在得到阳性测试结果的情况下,Mary真正患病的概率只有13.79%。这一结果表明实验室测试并不那么有效。当病人来看医生之前,他患有疾病的概率为1%,当看完医生之后,患病的概率为13.79%,这表明需要进一步测试。