贝叶斯定理与直觉
本文为阅读Data Science from Scratch之笔记，文中案例、公式分析皆来自此书
让我们先来看看生活中的一个小例子。假设有某种疾病D，在10000人中会有1人患此病；又假设对患此病的人进行测试，测试为阳性的比例达到99%，也就是说100名患者中，有99名患者检测结果皆为阳性（positive）。问题：
在检测为阳性的情况下，某一个人确定患该病的概率是多少？
不用仔细思考，先用自己的直觉判断，概率高还是低？再结合数据认真思考，你得到的概率值会是多少呢？我想，或许绝大部分人的第一反应是：在检测为阳性的情况下，基本就可以确诊身患D病了。再结合前面给出的数据进行运算，会非常容易地得到答案为99%。这是显而易见的吧，100名患者99名都检测为阳性，那么，——不是反之亦然么？
显然，直觉欺骗了我们。上述数据营造了一种假象，让我们忽略了未患D病的人检测为阳性所占的比例。
让我们把数据增大，假设有一百万人。在这个基数下，患D病的人有100人。在这100人中，检测为阳性的人为99人。现在考虑未患D病的人数，一百万减去一百，得到的人数为999900。根据检测阳性的比例，检测这些人时，会有1%的几率会检测为阳性，人数为999900*1%等于9999人。于是，我们可以计算出患D病且检测为阳性的人在所有检测为阳性的人中所占的比例为：99/99+9999，结果才不到1%。
这样结果真让人莫名惊诧了。换言之，我们可以下结论说：当某个人检测为阳性时，断定他（她）患D病的几率仅仅为0.98%。那么说，这样的检测给医生的参考依据几乎可以忽略不计啊！为什么会这样？——从概率学的角度讲，这其实是贝叶斯定理（Bayes\’s Theorem）的体现。
首先我们将患病的事件记做D，检测为阳性的事件记做T。如果患病的事件没有发生，则称为“Not D”，符号记为：￢D。同理，检测不为阳性的事件可以记为￢T。
如果记D、T都发生的概率为P(D,T)，则有公式：
P(D,T) = P(D|T)/P(T)
其中P(D|T)为当T发生时，D发生的概率，这一概率被称之为事件D关于事件T的条件概率（Conditional probability）。由于P(D,T) = P(T,D) = P(T|D)/P(D)，因而条件概率的公式可以记为：
P(D|T) = P(D,T)/P(T) = P(T|D)P(D)/P(T)
我们再将事件D拆分为D和￢D，则P(T)可以记为：
P(T) = P(T,D) + P(T,￢D)
这个公式是一个公理，因为在具有D、T两个事件的情况下，P(T)必然只存在两种情况，要么在T发生时，D也发生；要么在T发生时，D没有发生。那么贝叶斯定理就可以记为：
P(D|T) = P(T|D)P(D)/[P(T|D)P(D) + P(T|￢D)(P￢D)]
现在我们可以计算P(D|T)，即测试为阳性时，患D病的概率值了。我们已知：
P(T|D)：当患D病时，检测为阳性的概率为0.99；
P(D)：10000个人有1个人患D病，则概率为1/10000=0.0001；
P(T|￢D)：没有患D病时，检测为阳性的概率为1-0.99=0.01；
P(￢D)：没有患D病的概率为1-0.0001=0.9999。
计算上面的公式，P(D|T)等于0.98%。符合我们前面的分析。然而我们的直觉呢？简直溃败而不成军了。
注：上面所述D与T之间关系乃理想状态，判断一个人是否生病，检测是否阳性、阴性仅仅为其中一个要素。例如当我们再增加一个症状事件S后，同时满足T与S的前提，则D发生的概率值就会显著增加。