貝氏定理 是什麼？

Bayes Theorem — 貝氏定理 的完整解釋

貝氏定理描述在已知一些條件下，事件發生的機率。它基於先驗機率、條件機率和證據，更新對事件的信念。

容易混淆

貝氏定理 vs 頻率學派？ 貝氏定理：用新證據更新舊信念 頻率學派：偏向看長期重複試驗的比例 最關鍵的區別：前者會更新信念，後者更重視長期頻率

先驗 vs 後驗？ 先驗：看證據前的原本想法 後驗：看過證據後更新的結果 最關鍵的區別：貝氏定理最重要的就是從先驗走到後驗

機率 vs 信賴區間？ 機率：對事件發生可能性的描述 信賴區間：參數估計的不確定範圍 最關鍵的區別：這兩個都會談不確定性，但概念與用途不同

記住這句就好

看到新證據，就更新原本的判斷

實際案例

醫療篩檢 測驗陽性不代表一定生病，還要把疾病盛行率和檢驗準確度一起算進去

垃圾郵件分類 看到某些關鍵字後，系統會把這封信是垃圾信的機率往上調

算法與應用

重點	你要看什麼	為什麼重要
先驗	原本機率	代表看證據前的背景知識
似然	在某假設下看到資料的機率	代表證據有多支持假設
後驗	更新後機率	代表結合後的最終判斷

常見問題

貝氏定理是不是很難？

公式本身不難，難的是先驗、似然與資料脈絡怎麼設得合理。

它一定比傳統方法好嗎？

不一定，但在小樣本、需要更新信念的場景很有用。

它和貝氏推論一樣嗎？

貝氏推論是建立在貝氏定理上的更大一套方法。