贝叶斯陷阱

The Bayesian Trap

频道:Veritasium · 时长:10:36 · 发布:2017-04-05 · 播放:4552201

在 YouTube 观看

简介

Veritasium 通过例子解释贝叶斯定理,并介绍了“贝叶斯陷阱”,即重复事件被误认为不可避免的事件。它讨论了先验如何塑造我们的期望和行为。

HN 为什么推荐

HN 指出它是贝叶斯推理的入门介绍,并作为个人项目的灵感。

被描述为“贝叶斯陷阱”,由 YouTuber Veritasium 解释 — HN, 2017

数据科学与统计 · 概率与博弈论

中文字幕节选

想象一下:你某天早上醒来,感觉有点不舒服。没什么特别的 症状,就是不在最佳状态。于是你去看医生,她也 不知道你怎么了,所以她建议做一系列检查, 一周后,结果出来了,结果你被检测出阳性, 患有一种非常罕见的疾病,大约影响0.1%的 人口,而且这是一种可怕的疾病,后果很严重,你不想得。 于是你问医生:“你知道,我有多大可能得了这种病?” 她说:“嗯,这个检测能正确识别99%的 患病者,而只会错误地识别1%的未患病者。” 所以这听起来很糟糕。我是说,你实际患病的 几率有多大?我想大多数人会说99%,因为 那是检测的准确率。但 这实际上并不正确!你需要贝叶斯定理 来获得一些视角。 贝叶斯定理可以给出某个假设为真的概率,比如 你确实患有这种疾病,在给定一个事件的情况下;即你检测 结果为阳性。要计算这个,你需要取假设为真的 先验概率——也就是说,在你得到检测结果之前,你认为 你患这种病的可能性有多大——然后乘以 在假设为真的情况下事件发生的概率——也就是, 如果你患有这种病,检测为阳性的概率——然后除以 事件发生的总概率——即检测为阳性。 这一项是你患病的概率与 正确检测为阳性的乘积,加上你未患病 却被错误识别的概率。假设为真的先验概率 通常是这个方程中最难确定的部分,有时它 并不比猜测好多少。但在这种情况下,一个合理的起点是 该疾病在人群中的频率,即0.1%。如果 你代入其余数字,你会发现你有9%的几率 在检测阳性后实际患有这种疾病。这低得令人难以置信, 如果你仔细想想的话。现在,这并不是什么疯狂的魔法。它实际上 是应用于数学的常识。想想1000人的样本量。 现在,这一千人中的一个人,可能真的患有这种 疾病。检测可能会正确地识别出他们患有 这种病。但在其他999人中,1%或10人会被错误地 识别为患有这种疾病。所以,如果你是一个检测结果 为阳性的人,而所有人都是随机选择的——那么,你实际上 属于一个11人的群体,其中只有一个人患有这种疾病。所以你实际 患病的几率是1/11。9%。这很合理。当贝叶斯 第一次提出这个定理时,他并不认为它 具有革命性。他甚至不认为它值得发表,他没有 提交给他所在的皇家学会,事实上它是在 他去世后在他的论文中被发现的,而他放弃它已超过 十年。他的亲戚请他的朋友理查德·普莱斯翻查他的论文, 看看里面有没有值得发表的东西。就在那里, 普莱斯发现了我们现在所知的贝叶斯定理的起源。贝叶斯 最初考虑了一个思想实验,他坐在 一张完全平坦、完全方形的桌子前,背对着桌子,然后他让 助手把球扔到桌子上。 这个球显然可以落在桌子上的任何地方,他 想弄清楚它在哪里。所以他让助手做的是 再扔一个球,然后告诉他球落在第一个球的左边、右边、 前面还是后面,他会记下来,然后要求 往桌子上扔越来越多的球。他意识到,通过 这种方法,他可以不断更新对第一个球位置的估计。当然, 他永远不会完全确定,但随着每一个新的

HN 上的讨论

对于不太熟悉贝叶斯定理的人来说,另一个问题是所谓的“贝叶斯陷阱”,由 YouTuber Veritasium 解释:[VIDEO] — partycoder, 2017-11
当然。另一个好主意是展示现实与数据之间的差异可能极其显著。用例子演示这一点的视频:- “贝叶斯陷阱” [VIDEO] - “大多数研究都错了吗?” [LINK] — burntrelish1273, 2017-04
受这个 Veritasium 视频启发:[VIDEO] 我正在制作一个日记,结合贝叶斯学习来了解我生活的各个方面如何影响我的心理、身体和社交健康。使用了近500天后,我计划将其变成一个生活记账和审计工具。[LINK] — LolBatmanHuntsU, 2024-08
所以,为了完成维护健康的工作,你需要做所有这些工作:1. 了解你的健康问题的症状、诊断和治疗 2. 评估健康问题的严重程度 3. 了解其他人的经历 4. 获取多个意见 额外:5. 了解多个有效的解决方案 6. 找出医生的盲点 在做所有这些的同时,你支付医疗费用,其中包括所有这些。你付钱给医生了解第1点,做第2点,记住第3点。然后你付钱给多个医生做同样的事情。但然后你仍然到了必须决定相信谁的地步。如果4个医生说同样的话,那就容易了。由于统计学,你可以相当确定他们是对的[1]。但当他们给出多个不同的意见时,比如这里[2],会发生什么?[1] [VIDEO] [2] [LINK] — tmamic, 2020-09

相关视频