贝叶斯推理由托马斯·贝叶斯提出，是在不确定性下更新信念的数学方法。核心公式：P(A|B) = P(B|A) × P(A) / P(B)，即后验概率 = 似然 × 先验 / 证据。贝叶斯思维的关键：1) 先有先验概率（基于已有知识的初始判断）；2) 看到新证据后，计算证据在假设成立和不成立时的可能性；3) 按比例更新信念。贝叶斯思维反对非黑即白——信念是概率性的，随证据不断更新。应用：医学诊断、垃圾邮件过滤、机器学习、投资决策、日常判断。常见误区：忽视先验概率（基础比率谬误）、对新证据反应过度或不足、把概率当确定。实操：遇到新信息时问'这个证据在多大程度上改变了我的判断？'
贝叶斯推理
Bayesian Inference
一句话定义AI总结
L1
有新证据，就更新判断
L2
根据新信息不断修正先验概率，得到更准确的后验
L3
基于贝叶斯定理，用先验概率乘以新证据的似然度来更新信念，是在不确定性下学习和决策的核心方法，随数据积累判断越来越准
用新证据更新信念：先有初始判断，看到新证据后，按贝叶斯公式更新概率。
适用场景
典型案例
医学检测 → 疾病先验率1%，检测准确率99%，阳性后实际患病概率约50%（不是99%）
投资 → 看到财报利好，更新对公司价值的判断，但不忽视行业整体风险
日常判断 → 对人的印象随新证据不断更新，不一锤定音
来源：Thomas Bayes (1763)
延伸阅读
深入理解「贝叶斯推理」的推荐书籍，点击链接可查看豆瓣详情或前往京东/淘宝购买。
声明：部分京东、淘宝链接为联盟推广链接，通过本页链接购买可支持本站持续更新，感谢支持。
视频讲解
推荐B站上关于「贝叶斯推理」的优质视频讲解，点击跳转B站观看。
同分类更多模型
复利
Compounding
5
539
利息生利息，增长在时间维度上呈指数级加速——第八大奇迹。关键不是利率多高，而是时间多长和永不中断。
思维模型
数学
工具型
个人层
概率思维
Probabilistic Thinking
5
505
世界是不确定的，用概率而非「必然/不可能」来估计结果，并据此决策——不追求正确，追求概率上占优。
思维模型
数学
谬误型
个人层
贝叶斯更新
Bayesian Updating
4
284
新证据出现时，用先验概率 × 证据似然度来理性更新信念，而非全盘推翻或固守。
思维模型
数学
定律型
组织层
幸存者偏差
Survivorship Bias
5
577
只看到经过筛选后幸存下来的样本，忽略了被淘汰的沉默大多数，从而得出错误结论。
思维模型
数学
效应型
组织层
评论区