贝叶斯定理 —— 一个反直觉的东西

贝叶斯让人懵，通常不是公式难，而是**「先验」和「证据」谁该占多大权重**反直觉。下面按直觉 → 公式 → 例子拆开讲。

1. 它在回答什么问题？

你本来对某件事有一个事先判断（先验），后来看到了新证据，问：

在已经看到这个证据的前提下，这件事为真的概率变成多少了？

所以贝叶斯 = 用新证据，更新旧信念。

2. 公式（先记含义，别死背字母）

$$P(H\mid E)=\frac{P(E\mid H)P(H)}{P(E)}$$

口头版：

**后验 � 看到证据之后，$H$ 为真的概率（答案） |

口头版：

后验 ∝ 似然 × 先验
再除以「证据有多常见」，把比例收成真正的概率。

3. 用人数想（比抽象概率好懂）

想象 10000 人，某种病很稀有：真正有病的只有 1% = 100 人，没病 9900 人。

检测还不错：

• 有病 → 测出阳性：99%（漏检 1%）
• 没病 → 也测出阳性（假阳性）：5%

问：某人测成阳性，他真有病的概率是多少？

很多人会答「大概 99%」——这就是最容易错的地方。

数一下阳性里有多少是真病人：

所以：

$$P(\text{有病}\mid \text{阳性})=\frac{99}{594}\approx 16.7\mathrm{\%}$$

阳性里，绝大多数是「没病但测错」，因为没病的人基数太大了。

这就是贝叶斯要你记住的：

证据很强，也不一定压过「这件事本来就很少见」。

4. 对应回公式

• $P(H)=0.01$（先验：有病少见）
• $P(E\mid H)=0.99$（有病时阳性很常见）
• $P(E\mid \mathrm{\neg }H)=0.05$（没病时也会阳性）
• $P(E)=P(E\mid H)P(H)+P(E\mid \mathrm{\neg }H)P(\mathrm{\neg }H)$
  $=0.99\times 0.01+0.05\times 0.99=0.0594$

$$P(H\mid E)=\frac{0.99\times 0.01}{0.0594}\approx 0.167$$

和数人数一样。

5. 和 3B1B 画面怎么对上

3B1B 常用「面积 / 比例」讲：

1. 先画一整块：先验把世界分成「H 真 / H 假」两块（有病那条很窄）。
2. 证据再在每一块里切一刀：哪一块更容易冒出「阳性」。
3. 后验 = 阳性那一小条里，属于「有病」的比例。

你觉得懵，多半是卡在第 3 步：眼睛盯着「检测 99% 准」，却忘了分母里还有一大片假阳性。

6. 和 AI / 机器学习的关系（一眼就够）

• 训练 / 推断里常说：先有先验，再看数据，更新后验。
• 「先验很强、数据很少」→ 后验不会大变；「数据很多」→ 后验跟着证据走。
• 和你学的 Precision / Recall 也相关：稀有事件 + 有假阳性时，阳性预测值（PPV） 可以很低——上面 16.7% 就是 PPV。

7. 自测一句（盖住再想）

病很罕见 + 检测几乎对有病的人都会报阳，但没病人群也有一定假阳 → 测阳了也不等于「多半有病」。

若你愿意，可以说一下视频里卡住的那一帧（例如「树形图」「水塘面积」哪一段），我可以按那一帧对照讲。