大家好，我是 Senko。 本文将解读“贝叶斯推断”。
它是每拿到新的信息，就更新概率估计的思考方式。它源自 18 世纪牧师托马斯·贝叶斯的遗稿，如今被广泛用于机器学习、医学诊断、垃圾邮件过滤与科学推理。
贝叶斯其人与定理的历史
贝叶斯定理之名来自托马斯·贝叶斯（1702～1761 年）。他是英国非国教会的牧师，同时对数学与哲学抱有强烈兴趣，钻研“概率是什么”这个问题。
贝叶斯生前没有发表论文，1763 年友人理查德·普赖斯从遗稿中发现了论文，并在伦敦皇家学会的会刊上发表。这就是《论有关机遇问题的求解》。
可当时这篇论文几乎没受到关注。几乎同一时期，皮埃尔–西蒙·拉普拉斯独立导出了同样的定理，在法国它长期被称为“拉普拉斯定理”。贝叶斯之名被广泛知晓，是在 20 世纪后半，尤其是计算机普及让贝叶斯计算变得可行之后。
贝叶斯定理的推导
贝叶斯定理可从条件概率的基本性质推导出来。
事件 A 与 B 的联合概率 P(A,B) 可用以下两种方式表示。
P(A,B) = P(A|B) × P(B)（在 B 之下 A 发生的概率 × B 发生的概率）
P(A,B) = P(B|A) × P(A)（在 A 之下 B 发生的概率 × A 发生的概率）
把右边两式用等号连起来、对 P(A|B) 求解：
P(A|B) = P(B|A) × P(A) / P(B)
这就是贝叶斯定理。
套进推断的语境：
- P(A)：先验概率（Prior）——看到证据之前对假设 A 的信念程度
- P(B|A)：似然（Likelihood）——假设 A 为真时得到证据 B 的概率
- P(B)：边缘概率——得到证据 B 的概率（对全部假设的加权平均）
- P(A|B)：后验概率（Posterior）——看到证据 B 之后对假设 A 的信念程度
把它表述得直白些，就是“后验概率 ∝ 先验概率 × 似然”（∝ 表示成比例）。
医学诊断的具体例
贝叶斯定理生出反直觉推理的典型例，是医学诊断。下面细算。
前提条件：
- 某疾病的患病率（人群中的患病比例）：1%
- 检查的灵敏度（真有病的人呈阳性的概率）：95%
- 检查的特异度（真健康的人呈阴性的概率）：95%
检查呈阳性时，实际有病的概率（阳性预测值）是多少？
许多人会答“检查精度 95%，所以大概 90～95%”。下面算正解。
对 1 万人做检查：
- 有病的人：100 人（患病率 1%）
- 阳性（真阳性）：100 × 0.95 ＝ 95 人
- 阴性（假阴性）：5 人
- 健康的人：9900 人
- 阴性（真阴性）：9900 × 0.95 ＝ 9405 人
- 阳性（假阳性）：9900 × 0.05 ＝ 495 人
呈阳性者合计：95 + 495 ＝ 590 人 其中真有病的：95 人
阳性预测值 ＝ 95 / 590 ≈ 16%
结果是：精度 95% 的检查即便呈阳性，实际有病的可能性也只有约 16%。
为什么会这样？因为疾病的患病率（先验概率）很低（1%），分母里绝大多数是健康人。即便灵敏度 95%，5% 的假阳性率也会从 9900 名健康人中产生 495 例假阳性，这远远超过为数不多的真阳性（95 人）。
从这个例子能得到的教训是：先验概率（患病率、基础率）低的处境下，即便是高精度的检查，阳性中的大半也会是假阳性。
这条原则直接连着“基础率忽视（Base Rate Neglect）”这个认知偏差问题。人容易无视先验概率，只盯着检查结果或证据。
多重证据下的贝叶斯更新
贝叶斯推断强大的性质，在于每叠加一份证据就“把后验概率当作下一次的先验概率”的逐次更新。
举例来看诊断工厂机器是否故障的情形。
初始状态：把“故障的概率 10%”作为先验概率。
第 1 份证据：检测到异响。设正常机器出异响的概率为 5%，故障机器出异响的概率为 80%。
贝叶斯更新：
- 后验 ∝ 0.10 × 0.80（故障×异响的似然）= 0.080
- ∝ 0.90 × 0.05（正常×异响的似然）= 0.045
- 合计：0.125
- 归一化后的故障概率：0.080 / 0.125 ≈ 64%
一份异响的证据，就把故障概率从 10% 拉到了 64%。
第 2 份证据：测得振动在正常范围内。设正常机器振动正常的概率为 90%，故障机器振动正常的概率为 30%。
贝叶斯更新（先验已更新为 64%）：
- ∝ 0.64 × 0.30（故障×振动正常的似然）= 0.192
- ∝ 0.36 × 0.90（正常×振动正常的似然）= 0.324
- 合计：0.516
- 归一化后的故障概率：0.192 / 0.516 ≈ 37%
振动正常这份证据，又把故障概率从 64% 拉低到 37%。
像这样每来一份新证据就更新概率，最终逼近高精度的判断，就是贝叶斯推断的学习过程。
频率主义与贝叶斯主义的差别
统计学有两大主要学派。
频率主义（Frequentism）：把概率定义为“在同一条件下无限次重复试验时频率的极限”。
- “这枚硬币出正面的概率是 0.5”这个主张，由无限次抛同一枚硬币的比例来定义
- 参数（总体均值等）是固定的真值，数据才是随机变量
- 主要推断手法：假设检验（p 值）、置信区间
贝叶斯主义（Bayesianism）：把概率定义为“某个命题为真的信念程度（Degree of Belief）”。
- 认为参数本身带有概率分布
- 设定先验分布（Prior），看到数据后更新为后验分布（Posterior）
- 主要推断手法：贝叶斯因子、可信区间
两派的主要差别：
| 项目 | 频率主义 | 贝叶斯主义 |
|---|---|---|
| 概率的定义 | 长期频率 | 信念的程度 |
| 参数 | 固定的真值 | 带有概率分布 |
| 先验信息 | 不使用 | 作为先验分布明确纳入 |
| 解释 | 置信区间（长期看包含 95%） | 可信区间（后验概率 95%） |
| “一次性事件”的概率 | 无法定义 | 可以定义 |
“明天下雨的概率 40%”这样的气象预报概率是贝叶斯式的。“明天的天气”只发生一次，频率主义难以定义其概率，于是解释成“在给定大气数据下，会下雨的信念程度”。
垃圾邮件过滤与朴素贝叶斯
邮件的垃圾过滤，是贝叶斯推断最普及的实用例之一。
被称为“朴素贝叶斯分类器”（Naive Bayes Classifier）的手法，运作方式如下。
对每个词，事先学习“该词出现在垃圾邮件中的概率”与“出现在正常邮件中的概率”。
新邮件到达时，把邮件中所有词的出现当作彼此独立的证据（这就是“朴素”＝独立假定的含义），反复做贝叶斯更新，算出“这封邮件是垃圾邮件的概率”。
- “免费”“立刻”“中奖”“点击”等在垃圾邮件中常出现 → 抬高垃圾概率
- “会议”“报告书”“麻烦您了”等在正常邮件中常出现 → 拉低垃圾概率
朴素贝叶斯计算简单、易于实现，至今仍是文本分类、情感分析、医学诊断等许多机器学习任务中在用的基础算法。
贝叶斯式思考在认知偏差上的应用
贝叶斯推断可作为识别人常犯之认知偏差的框架来使用。
基础率忽视（Base Rate Neglect）：无视先验概率（基础率）、只凭眼前证据判断的倾向。正如医学诊断的例子所示，不考虑患病率就会大幅误解阳性的含义。
确认偏误（Confirmation Bias）：积极收集支持自己信念的证据（把似然评得很高），而无视或轻视反证的倾向。按贝叶斯的做法，否定自己假设的证据也必须如实反映进似然。
锚定偏差（Anchoring）：最先被给出的信息像先验概率那样被固定下来，此后的证据也不足以充分更新它的倾向。
后见之明偏误（Hindsight Bias）：事后觉得“我一开始就知道会这样”的倾向。事前持有的概率分布，在结果揭晓后被追溯性地当成“那才是对的”而在记忆中改写。
这些偏差，都能被解释成没有正确执行贝叶斯更新（无视先验、扭曲似然、更新不足）的结果。
贝叶斯式决策的实践
下面给出把贝叶斯推断用于决策时的实践步骤。
步骤 1：设定先验概率 把“这个假设（候选、原因、风险）大概有多大可能”明确地数值化。历史数据、行业统计与专家见解都可以拿来用。
步骤 2：评估似然 评估“若这个假设为真，观察到的证据有多容易出现”。检查的灵敏度、预测模型的精度、专家证言的可信度等，都相当于似然。
步骤 3：计算（或估算）后验概率 按先验 × 似然的相对大小去估计后验概率。不必严格计算，把“A 假设的先验 × 似然”与“B 假设的先验 × 似然”相比，就能做相对判断。
步骤 4：收集追加证据并更新 不要把算过一次的后验概率固定住，每来新证据就更新。“一旦定了就不改”不是贝叶斯式的，“看到证据就一点点更新”才是理性的态度。
步骤 5：持有决策基准 明确“概率到多少就行动”的阈值。医疗上比如“阳性概率 50% 以上就做精密检查”，投资上比如“期望回报超过成本的概率 60% 以上就执行”。
结语
本文解读了“贝叶斯推断”。
贝叶斯推断并不只是一种统计手法，而是“新证据一来就把它反映进去、更新想法”这样一套理性的认识论框架。明确地持有先验概率、每看到证据就更新、最终把信念表达为后验概率，这个过程在科学、医疗与决策的一切场面都有效。
频率主义的假设检验追问的是“数据是否可能出现”，贝叶斯推断则直接追问“这个假设有多可信”。这份提问方式的差别，正是贝叶斯推断在实践决策上好用的源头。
另外，贝叶斯推断也是在存在信息不对称的处境（对方类型不明的谈判、保险、拍卖）中理性更新信念的基础。
框架一览与博弈论概论请从下方进入。
我们下一篇文章见。
📚 系列：战略思维框架（11/16）
