一个案例理解贝叶斯规则，通俗易懂！
前言
贝叶斯定理在统计中应用很广，这里选择一个小案例来讲解贝叶斯定理。此案例源自Michael Milton的《深入浅出数据分析》。
背景导入
小明的医生给了小明一份流感诊断书，诊断结果为“阳性”。这给小明的生活带来了困扰，他想知道自己真正患流感的概率有多大？
于是他上网搜索了流感诊断正确性分析报告，结果如下：若某人已经患上流感，实验结果为阳性的概率是90%；若某人未患流感，实验结果为阳性的概率是9%。
此时小明心里有了盘算，假如自己患病的话，概率看起来是90%，但正如第二个统计值指出的，并不是人人都患病，因此患病的概率绝对小于90%，那结果会不会是90%-9%=81%呢？感觉这样的算法有点草率，那应该怎么算呢？
事实上，患流感的概率要比81%少得多!
初始计算
在接下来计算之前，我们需要知道，流感在人群中的发病率有多高？有研究表明，总人口中有1%的人患有流感。
这里的1%是基础概率，在根据实验结果单独分析每个人的情况之前，就已经知道的患有流感的人口只有1%，因此基础概率又称作事前概率。
接下来，我们来计算一下。
假设总人数为1000人，那么事实应该是像表中这样。
| 患病者 | 非患 |
本文来自互联网用户投稿，文章观点仅代表作者本人，不代表本站立场，不承担相关法律责任。如若转载，请注明出处。 如若内容造成侵权/违法违规/事实不符，请点击【内容举报】进行投诉反馈！