Ваш конспект

Теорема Байеса: как пересматривать убеждения

Ключевые тезисы:

• Теорема Байеса — это математический инструмент для переоценки вероятности события при появлении новых данных.
• Наш мозг плохо справляется с ошибкой базового процента, что приводит к интуитивно неверным выводам.
• Теорема описывает цикл постоянного обучения: убеждение → новые данные → обновлённое убеждение.
• Слепая вера в новые данные или старые убеждения ошибочна; важно постоянно обновлять вероятности.

Пример: медицинский тест на редкое заболевание

Условия задачи:

• Заболеванием страдает 1% населения.
• Точность теста — 90%:
  • Если человек болен → тест положительный в 90% случаев.
  • Если человек здоров → тест отрицательный в 90% случаев.
• Вы получили положительный результат.

Интуитивный (но неверный) ответ: вероятность болезни = 90%.

Правильный ответ (через визуализацию):

1. Возьмём 1000 человек:
   • Больных: 10 человек (1%).
   • Здоровых: 990 человек.
2. Результаты тестирования:
   • Больные: 90% точности → 9 верных положительных результатов.
   • Здоровые: 10% ошибок → 99 ложноположительных результатов.
3. Всего положительных результатов: 9 + 99 = 108.
4. Вероятность быть больным при положительном тесте: 9 / 108 ≈ 8,3%.

Вывод: Из-за редкости болезни количество ложных срабатываний среди здоровых подавляет число реальных больных.

Формула Байеса на человеческом языке

P(A|B) = [P(B|A) × P(A)] / P(B)

Расшифровка обозначений:

• A — гипотеза (например, "Я болен").
• B — новые данные/событие (например, "Тест положительный").
• Вертикальная черта (|) — означает "при условии".

Компоненты формулы:

1. P(A) — априорная вероятность — убеждение до получения данных (базовый процент = 1%).
2. P(B|A) — правдоподобие — вероятность получить данные при верной гипотезе (если болен, тест положительный с вероятностью 90%).
3. P(B) — полная вероятность данных — вероятность получить данные любым способом (в примере = 10,8%).
4. P(A|B) — апостериорная вероятность — обновлённое убеждение после получения данных (то, что ищем).

Расчёт для примера:

• Числитель: 0,9 × 0,01 = 0,009
• Знаменатель: 0,009 + (0,1 × 0,99) = 0,108
• Результат: 0,009 / 0,108 ≈ 0,083 (8,3%)

Байесовский подход как цикл обучения

Принцип работы:

1. Есть исходное убеждение (априорная вероятность).
2. Поступают новые данные из мира.
3. Данные пропускаются через формулу Байеса.
4. Формируется обновлённое убеждение (апостериорная вероятность).
5. Это новое убеждение становится исходным для следующего цикла.

Пример с повторным тестом:

• После первого положительного теста вероятность болезни = 8,3%.
• Этот процент становится новой априорной вероятностью для второго теста.
• Если второй тест тоже положительный, вероятность болезни возрастает до ~45%.

Практические применения теоремы Байеса

• Искусственный интеллект и машинное обучение:
  • Спам-фильтры анализируют частоту слов и постоянно обновляют вероятности.
  • Алгоритмы беспилотных автомобилей предсказывают движение пешеходов на основе каждого нового кадра.
• Наука и восприятие:
  • Фундаментальный принцип для проверки и обновления научных теорий.
  • Модели работы биологического мозга (байесовские модели мозга).

Выводы

• Не доверяйте слепо новым данным, если они противоречат базовой статистике (учёт базового процента).
• Не цепляйтесь за старые убеждения, если против них накапливаются новые доказательства.
• Держите разум открытым и постоянно обновляйте свои "вероятности", как это делают эффективные алгоритмы и нейросети.