IT 面试题库

贝叶斯定理是什么?请举例说明其在分类中的应用。

初级简答题算法工程师机器学习工程师数据科学家数学贝叶斯概率后验

题目

请给出贝叶斯公式,解释先验、似然、证据、后验的含义,并用一个具体的疾病检测例子计算后验概率。

参考答案

内容深度:适中 · 无代码示例 · 来源:外部链接 · 未复核 · 75 天前更新 · 技术内容可能随版本变化,建议结合官方文档理解

公式

$$P(A\mid B)=\frac{P(B\mid A)\,P(A)}{P(B)}$$

例子:某病患病率 $P(D)=0.1\%$(先验)。检测灵敏度为 $P(+\mid D)=99\%$,假阳率 $P(+\mid \neg D)=5\%$。若某人检测阳性,真实患病概率?

$$P(D\mid +)=\frac{0.99\times0.001}{0.99\times0.001+0.05\times0.999}\approx\frac{0.00099}{0.00099+0.04995}\approx1.95\%$$

启示:即便检测「很准」,因基础患病率极低,阳性后真实患病概率仍很小——这是「证据需结合先验」的经典直觉,也是朴素贝叶斯分类器的核心:

$$P(类\mid 特征)\propto P(特征\mid 类)\,P(类)$$

练这道题

同分类 · 高频题

题目与答案就在本页;收藏、批注和错题重练在应用内

这道题看完了?连刷同类题,趁热打铁效果最好 进入刷题