醫療檢測顯示陽性後，你心裡的機率判斷是不是立刻就變了？ 你可以把貝氏定理想成根據新證據更新信念的公式。 它把原本的先驗想法和新觀察到的證據合在一起，算出更新後的結論。
你可以把它想成一個把抽象概念拉回日常判斷的提示，先知道它解決什麼問題，再看技術細節。
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
iPAS 考題
Q：貝氏定理最核心的概念是什麼？ 利用新證據更新原本的先驗機率，得到後驗機率。
Q：貝氏定理可以用在哪些地方？ 分類、推論、醫療判讀、風險評估等場景都很常見。
情境判斷
Q1：你原本覺得某病很少見，檢測結果陽性後，還需要考慮盛行率嗎？ → 需要，因為先驗和證據要一起看，不能只看單次結果
Q2：如果樣本越來越多，先驗的影響通常會變大還變小？ → 通常會變小，因為資料本身提供的證據會變強
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。