条件概率与贝叶斯公式
条件概率在已知信息后更新事件可能性，贝叶斯公式结合先验与似然得到后验。
学习前需要掌握
背景与问题
看到一个信号之后，应怎样更新对某种情况的判断？直觉常把“目标出现时信号有多常见”错当成“看到信号后目标有多可能”。条件概率和贝叶斯公式把这两个方向分开。
这个区别在稀有事件告警中特别明显：即使检测灵敏，大量正常样本产生的少量误报也可能占据多数告警。
概念定义
条件概率 P(A|B) 是在 B 已成立的范围内计算 A 的比例。贝叶斯公式把后验 P(A|B) 写成似然 P(B|A) 与先验 P(A) 的乘积，再除以证据概率 P(B)。
先验描述看到当前信号之前的基率，似然描述不同情况下产生该信号的规律；证据项负责归一化。交换条件的顺序一般不会得到同一个数值。
直观理解
先把所有可能情况按原始比例放在一起，再看哪一部分会产生当前观察。收到信号后，应该在所有能产生信号的情况中重新计数，而不是只盯着真正目标那一组。
目标很少见时，告警不等于确认
构造 10,000 件产品，其中 1% 有缺陷；检测能找出 90% 的缺陷品，同时把 5% 的正常品误报。100 件缺陷品产生 90 次真告警，9,900 件正常品产生 495 次误报。
因此在 585 次告警中，真正有缺陷的比例为 90/585≈15.38%，不是 90%。这是教学构造值，不是任何真实设备的测量结果；它说明后验同时受灵敏度、误报率和基率影响。
核心原理
比较同一观察下的多个类别时，证据项相同，可以先比较先验乘似然，再对所有类别的这些乘积归一化。只看似然，会忽略类别基率。
非常小的概率连乘可能数值下溢，实际模型常在对数空间求和，并用稳定的归一化方法。数值稳定不改变概率定义，不能借此跳过合法概率与类别一致性检查。
先验与似然来自特定数据和条件，换人群、设备或采样方式后可能不再适用。用训练分布的基率直接解释另一种筛选人群，需要审查选择过程。
模型给出的概率还可能受独立性或分布假设影响。套用了贝叶斯公式，并不保证输入估计可靠或结果已经校准。
数学表达
核心表达
比较类别时证据 P(x) 相同，可比较未归一化先验×似然；实际中常在对数空间计算。
变量含义
变量定义与本页概念定义一致，代码中的同名变量保持相同语义。
计算步骤
- 1定义条件总体
- 2估计先验
- 3估计似然
- 4计算未归一化分数
代码对应位置
示例 1从先验与两类信号率计算后验：核对缺陷品告警例子的 15.38%。
计算与实现步骤
- 定义条件总体
- 估计先验
- 估计似然
- 计算未归一化分数
- 归一化
- 选择最大后验
代码实现
示例 1
从先验与两类信号率计算后验
example_01.py用途：核对缺陷品告警例子的 15.38%。
prior = 0.01
sensitivity = 0.90
false_positive_rate = 0.05
true_alarm = prior * sensitivity
false_alarm = (1 - prior) * false_positive_rate
posterior = true_alarm / (true_alarm + false_alarm)
print(f"P(defect|alarm)={posterior:.4f}")代码解析
解析始终位于完整代码下方，并按实际代码段逐项对应。
输入数据与任务
核对缺陷品告警例子的 15.38%。
Step 1 · 1–7 行
输出中间参数、形状或最终指标，用于核对代码是否符合预期。
prior = 0.01
sensitivity = 0.90
false_positive_rate = 0.05
true_alarm = prior * sensitivity
false_alarm = (1 - prior) * false_positive_rate
posterior = true_alarm / (true_alarm + false_alarm)
print(f"P(defect|alarm)={posterior:.4f}")预期输出或运行结果
P(defect|alarm)=0.1538
常见错误 · 2 条
- 条件概率分母用全部样本
- 把相关特征当独立
实际应用
- 朴素贝叶斯
- 风险更新
常见错误
- 条件概率分母用全部样本
- 把相关特征当独立
推荐学习资料
参考库不会生成虚假资源或无效外部链接。