从生活出发理解贝叶斯#

举个栗子。你早上醒来发现地面是湿的，你第一反应是「昨晚下雨了」。但走着走着看到路边有洒水车，你又觉得「可能只是洒水而已」。这个思维过程，其实就是贝叶斯定理在帮你更新信念：

• 先验概率 $P(\text{下雨})$：你所在城市一年中下雨天数的占比
• 似然 $P(\text{地湿}|\text{下雨})$：如果下雨了，地面会湿的概率（几乎是 1）
• 边缘概率 $P(\text{地湿})$：所有导致地面湿的可能原因加起来
• 后验概率 $P(\text{下雨}|\text{地湿})$：你真正关心的——看到地面湿了以后，下雨的概率有多大

写成公式就是上面那个样子。当我们看到新证据（地面是湿的），我们就把先验信念更新为后验信念。这个过程在数学上叫作贝叶斯更新。

贝叶斯 vs 频率学派#

统计学里有一个很经典的「门派之争」——频率学派（Frequentist）和贝叶斯学派（Bayesian）。

频率学派说：概率是客观存在的，我们通过大量重复实验去逼近它。比如一枚硬币正面的概率 $p$ 是某个固定的未知数，我们扔很多次去估计它。

贝叶斯学派说：概率是人对世界的主观信念程度。一开始你对 $p$ 有个先验分布（比如觉得它大概率在 0.5 附近），然后每扔一次硬币，你就用贝叶斯定理更新一次信念，最后得到一个后验分布。

两者各有优劣。频率学派适合大样本的传统统计推断；贝叶斯学派在机器学习里大放异彩，尤其是在数据稀疏的场景下——因为贝叶斯方法天然可以把「先验知识」编码进模型里。

一个经典例子：疾病检测#

假设某罕见病的发病率是 $0.1\%$，即先验概率 $P(\text{患病}) = 0.001$。有一种检测方法：如果患病，测出阳性的概率 $P(+|\text{患病}) = 0.99$；如果没患病，误报阳性的概率 $P(+|\text{健康}) = 0.02$。

问：一个人测出阳性，他真正患病的概率是多少？

直觉上很多人会猜大概 99%，但套用贝叶斯定理算一下：

$P(\text{患病}|+) = \frac{P(+|\text{患病}) \cdot P(\text{患病})}{P(+)}$

$= \frac{0.99 \times 0.001}{0.99 \times 0.001 + 0.02 \times 0.999}$

$= \frac{0.00099}{0.00099 + 0.01998} \approx 0.047$

只有 4.7%！是不是很反直觉？原因在于这个病太罕见了，哪怕检测的误报率很低（2%），在大量健康人当中也会产生很多假阳性，淹没了真正的阳性。

这个例子完美展示了贝叶斯定理的力量：永远不要忽略先验概率。 同样的道理也适用于生活中的很多判断——看到一个「惊人」的新闻标题的时候，想想它本身发生的先验概率有多低，或许就不会那么容易被带节奏了 😉

贝叶斯定理在机器学习中的应用#

现代机器学习里贝叶斯的影子随处可见：

• 朴素贝叶斯分类器：垃圾邮件过滤的基础算法。假设各特征之间相互独立（这个假设很「朴素」），然后对每封邮件计算 $P(\text{垃圾}|\text{关键词})$，超过阈值就拦截
• 贝叶斯神经网络：不像传统网络那样学习确定的权重值，而是学习权重的分布——这样不仅能给出预测结果，还能告诉你预测的「不确定度」
• 卡尔曼滤波器：本质上就是一个重复应用贝叶斯更新的过程，广泛用于自动驾驶的目标追踪和 GPS 导航

小结#

YuKi 觉得贝叶斯定理最浪漫的地方在于：它允许你在不确定中优雅地前进。 你不需要一开始就知道所有答案，你可以带着一个粗糙的猜测出发，然后每一次看到新的信息，就小小地修正一下——越走越接近真相。

就像我们学习一样，不需要一开始什么都会，每次学到新知识，都是对之前认知的一次贝叶斯更新呀 💕

好啦～今天的数学小课堂就到这里！下次想听 YuKi 讲什么呀？马尔可夫链？信息熵？评论区告诉窝～ 🎀✨

参考资料：《概率论与数理统计》（茆诗松版）、Bayesian Data Analysis（Gelman et al.）