贝叶斯概率
贝叶斯概率像给判断装一个调节旋钮:不是看到一个消息就立刻翻盘,而是根据证据强弱一点点调高或调低可信度。
关键结构图
原判断
更新判断
新证据
一个刻度旋钮从"原判断"转向"更新判断",旁边放入一张新证据卡片。
What
先别急着下结论。先看你原来有多相信,再看新证据够不够强,然后更新判断。
贝叶斯概率是一种把概率看成可信度更新的方法。它会把已有判断和新证据放在一起,计算我们应该怎样调整原来的相信程度。
Structure贝叶斯概率 = 先验判断 + 新证据 + 更新后的判断
When
当你面对不确定信息时,可以想到贝叶斯概率:一家公司突然出利好,一篇文章给出新观点,一次体检出现异常指标,都不应该只看单个证据。
How
先问原来的判断是什么,再问新证据有多可靠,最后问它是否足以明显改变原来的判断。证据越强,更新越大;证据越弱,更新越小。
Examples
你本来觉得明天下雨概率不高。早上看到天气预报说降雨概率升高,你不会直接认定一定下雨,而是把原来的判断往"更可能下雨"的方向调一点。
你看到一家公司利润增长。先别立刻认为它就是好公司,还要看这是长期经营改善,还是一次性收益。证据质量不同,更新幅度也不同。
来源
类型:学术 / 经典数学
事实线:Bayes theorem 把给定证据后的条件概率,和先验概率、证据在假设下出现的概率联系起来。
依据:条件概率与 Bayes theorem 的经典概率论表述,以及 Stanford Encyclopedia of Philosophy 的 Bayes theorem 条目。
边界:贝叶斯概率提供更新判断的数学框架,但先验、证据质量和模型假设仍然会影响结果。
常见误读:不要以为一个新证据就应该推翻全部判断,也不要以为写成贝叶斯公式后判断就自动客观。