贝叶斯定理交互通过医疗检测案例，直观理解新证据如何更新我们的概率判断
1. 核心公式
$$P(A|B) = \frac{P(B|A) \cdot P(A)}{P(B)}$$
- ● \(P(A|B)\) - 后验概率： 看到证据 \(B\) 后，对事件 \(A\) 的新判断。
- ● \(P(A)\) - 先验概率： 在看到证据前的背景概率（初始认知）。
- ● \(P(B|A)\) - 似然度： 若 \(A\) 发生，出现证据 \(B\) 的可能性。
- ● \(P(B)\) - 标准化常量： 证据出现的总概率（全概率公式）。
当获得新证据时，如何理性地更新原有的判断。
贝叶斯定理公式
$$P(患病|阳性) = \frac{P(阳性|患病) \times P(患病)}{P(阳性)}$$
医疗检测案例
假设一种疾病在人群中的患病率为 5%。 现在有一种检测方法：
- ✓ 灵敏度 90%：真有病的人中，90%检测呈阳性
- ✗ 假阳性率 10%：没病的人中，10%误检为阳性
💡 核心洞察：
即使检测呈阳性，你患病的概率也不一定是100%。需要考虑患病率、检测准确性等多种因素。
交互调节参数
调节滑块，观察概率如何变化。你会发现：
• 患病率越低，阳性结果越可能是误报
• 假阳性率越高，检测的可信度越低
检测呈阳性后，真正患病的概率是：
基于当前参数计算的贝叶斯后验概率
人群分布可视化
贝叶斯思维：从证据到认知
先验信念
在获得新证据前，我们基于已有知识形成的初始判断。这是理性的起点。
收集证据
新证据的强度和质量很重要。证据越强，对原有信念的修正就越大。
更新认知
根据贝叶斯公式，将先验信念与新证据结合，形成更准确的后验判断。
贝叶斯定理不仅是数学公式，更是一种思维方式：不固执己见，根据新证据理性调整判断。