---
title: "貝氏定理（Bayes Theorem）"
slug: bayes-theorem
language: zh-TW
source: https://aiterms.tw/terms/bayes-theorem
updated_at: 2026-04-29
tags: [機器學習, 統計方法, AI基礎, 模型評估, 數學基礎, iPAS中級]
ipas_term: false
---

# 貝氏定理（Bayes Theorem）

> **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

> **Q：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。
>
> **Q：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。
>
> **Q：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。
### 相關術語

> - **樸素貝氏**：它是把貝氏定理直接拿來做分類的經典模型
> - **機率分佈**：先驗與後驗都建立在機率分佈上
> - **貝氏最佳化**：也是貝氏思想的應用之一

---

來源：https://aiterms.tw/terms/bayes-theorem
快查頁：https://aiterms.tw/terms/bayes-theorem
最後更新：2026/04/29
深度解說：https://aiterms.tw/learning/what-is-bayes-theorem