AI 中的概率思维：贝叶斯定理入门

人工智能很少给出绝对判断，更多是“有多大可能”。这种思维的数学基础是贝叶斯定理：用新证据更新原有判断。本文用一个疾病检测的反直觉例子，讲清先验、似然、后验三个概念，以及朴素贝叶斯分类器如何把这个思想用在文本分类上。

先验、似然与后验

日常生活中我们常说“这么晚还亮着灯，八成在家”，这就是在更新判断：先有一个初始估计，看到新信息后修正它。贝叶斯定理把这个过程写成了一个极简公式：后验概率正比于先验概率乘以似然。

三个词对应三件事。先验概率是看到证据之前你相信的程度；似然是如果假设成立，看到这个证据的可能性有多大；后验概率是看完证据之后更新过的相信程度。公式的形式并不难，难的是把现实问题正确翻译成这三个量。

一个反直觉的例子

经典例子是疾病检测。某情况在人群中的比例是千分之一，检测的准确率是百分之九十九，你测出阳性，真实的概率是多少？很多人会答百分之九十九，实际算下来只有百分之九左右。原因是健康人的基数太大，假阳性的数量远超真阳性。

这个反直觉的结果恰恰说明为什么要算而不是拍脑袋。贝叶斯思维的核心提醒是：任何单一证据都要放进“它本身有多常见”这个背景里去看。垃圾邮件过滤、风险预警、推荐排序，处处都有它的影子。

朴素贝叶斯分类器

把这个思想直接做成分类器，就是朴素贝叶斯。它计算“在属于某类的条件下，出现这些特征的概率”，再乘以该类的先验，取最大的那个类作为结果。朴素来自一个简化假设：假定各特征之间互不影响。

这个假设在现实中几乎不成立，但分类效果常常出人意料地好。它至今仍是文本分类的常用基线方法：计算量小、训练极快、对小数据友好，还能给出概率输出。实践中通常先拿它跑出一个基准分数，再判断复杂模型带来的那点提升是否值得。

本文为 AI 科普内容，仅用于知识普及，不构成任何技术选型、投资或职业决策建议。