知识卡片
贝叶斯定理逆转条件
实践中常掌握 P(证据|假设)——病人检出阳性的概率,却需要 P(假设|证据)——阳性者真患病的概率。把条件概率定义写两遍:P(A∩B)=P(A|B)P(B)=P(B|A)P(A),移项即得 P(B|A)=P(A|B)P(B)/P(A),其中分母按“B 发生”的两种互斥途径展开为 P(A|B)P(B)+P(A|¬B)P(¬B)。关键在分母:它把“假设为真”和“假设为假”两条路径的证据都算进来,因此证据本身越罕见,同样的阳性越有说服力。它不是新公理,只是条件概率定义的代数变形,威力来自强迫你把基础率写进分母。
这张卡片看不懂?
这张卡片已通过人工审查,不再接受失败反馈。
已有反馈 · 0 条
还没有人提交反馈。
在整书笔记中的位置
- · 第6章 概率
原书出处 · 1 处
- 第6章 概率 · 查看原书依据
数据科学家最好的一个朋友是贝叶斯定理,它是一种“逆转”条件概率的方法。假设我们需要计算事件 基于已发生的事件 的条件概率,但仅仅已知事件 基于已发生的事件 的条件概率。
参考来源
- 位置:《数据科学入门(第2版)》第6章 概率(源文件:extracted/数据科学入门(第2版)/_epub-src/OEBPS/Text/0010.xhtml)
- 结论依据:原文这一段直接给出本卡的核心判断:「数据科学家最好的一个朋友是贝叶斯定理,它是一种“逆转”条件概率的方法……」
- 原始内容:数据科学家最好的一个朋友是贝叶斯定理,它是一种“逆转”条件概率的方法。假设我们需要计算事件 基于已发生的事件 的条件概率,但仅仅已知事件 基于已发生的事件 的条件概率。