贝叶斯定理的经典语录-贝叶斯定理核心语录

贝叶斯定理，这东西在讲道理的时候，有时候就像戴着一副眼镜看世界。它把“先验”和“后验”这两个词，彻底撕开，让概率不再只是法官在判决书里那双如履薄冰的眼，而是变成了我们手里握着的那把尺子。 大量人当作概率就是算命，认定这东西只能用来算古董估价、算烂泥堆的湿度，要么算一场比赛里红牌出现的可能性。可贝叶斯定理最妙的地方，恰恰是它看不起这些“老古董”。它告诉你，你手里已经握着的这张旧地图，本身就有大错。
哪怕你读过的书里有无数次提到“概率”，但你得承认，你脑子里头的“先验信念”可能全是垃圾。出于你的“先验”忒旧了，它继承的可能是毛病的定义，就连是某种根深蒂固的认知偏见。
这时候，真正的贝叶斯思维就跳出来了：它不知足于凭感觉去猜，它要求你务必拿着你手里现有的、哪怕挺粗糙的地图，去重新丈量这片土地，看看它到底哪儿是一张白纸，哪儿是一堵承重墙。 这听起来像是在做数学游戏，但做起来，感觉像是个生龙活虎的统计学家在赌命。你要做的，不是创造一个完美的、无懈可击的世界模型，然后硬塞进去一堆数据去拟合。出于你根本没那个本事。你只能承认世界是混沌的，数据是粗糙的，模型也是粗糙的。
这时候，唯一能用的武器就是“更新”——把旧的信念，通过新的证据，像剥洋葱一样一层层撕开，看看里面到底藏着啥真相。 举个最直白、也最让人头疼的例子。假设你在路边看到一只野猫，你心里大约有个“先验”：它是宠物猫的概率极低，它是流浪猫的概率较高，是生病的概率中等。
然后你突然发现旁边有一个玻璃杯，杯子上有猫的粪便，并且杯底还有一层厚厚的猫砂。
这时候，你突然意识到，这只猫可能根本不是一般/平平的流浪猫，可能是某种特定品种的猫咪，就连可能是你的邻居养的，只是你刚刚没注意到它的品种特征。
要是这时候你还是死板地坚持“它是流浪猫”，那你就忽略了一个关键信息：杯子里的猫砂。你之前的那个“旧地图”，实际上已经把真相给盖过了。贝叶斯定理在这一刻发挥功能了：它强迫你放下“它是流浪猫”这个先验，根据“有猫砂”这个新证据，把概率重新推向那个你认定更合理、要么更可能的方向。 大家可能会问，那有没有哪怕一点“先验”呢？肯定有。
没有先验，先验就是那个被后验给彻底打翻的、纯粹的“无知”。但你务必明白，这个“无知”是有代价的。你牺牲了某种确定性，换取了适应新证据的灵活性。世界挺吵，信息挺乱，要是你一启动就试图构建一个完美的、无懈可击的理论框架，然后强行往里灌数据，那你最终拿到的结论，往往只是你原有框架的一种“变形”，而不是它原本的样子。贝叶斯定律最有力量的地方，就是准你的“先验”被打碎，准你的“先验”被修正到简直为零，只要你有充足的新证据，你就能更快地收敛到那个更合理的“后验”。 自然，操作起来也不是件好办事。最悬的地方在于，大量人把贝叶斯定理当成了“重新计算”的借口。他们等数据来了，翻啊翻，再算一次“后验概率”，然后得出结论：“哦，原来是这样，我之前错了。”这就完了。贝叶斯思维要警惕的，不是数据本身，而是你过度依赖数据，而忽略了“先验”的关键性。
有时候，数据本身就是错的，要么你的“先验”本身就是错的。
这时候，单纯加一个“除以零”的操作，就像让一个醉汉背了一路的数字，结局还是他那个毛病的逻辑，还是他那个被污染的“先验”。你务必先把手里的证据再读一遍，把那些显而易见的、已经被常识要么毛病信念覆盖掉的信号，给过滤掉，然后再上计算器。 还有一种情况，就是“后验”极小，简直为零。
这时候，你就不能再用贝叶斯定理去“更新”了，出于你的世界模型里，根本就没有这个东西。你只能接纳那个极小值，要么干脆把它当成不存有。但这并不意味着你要拉倒学习。
反之，遇到这种极端的“后验”，往往意味着你的“先验”忒过天真，要么那个曾经让你认定合理的“先验”，已经被全新的证据彻底推翻了。你需求敏锐地察觉，是不是你的“先验”忒保守了，忒恐惧犯错，以至于无法面对这个反直觉的“后验”。 回到那个野猫的例子。
要是你一直坚信“所有猫都是流浪的”，那当证据出现时，你的“后验”可能会变成一个挺小的数，就连接近于零。
这时候，贝叶斯定理就告诉你：你的世界模型坏了。你得去检查一下你的“先验”是不是忒老旧了，是不是把某些非流浪猫的特征给漏掉了。
或许那只猫别看长得像流浪猫，但它的基因里流淌着某种特定的血统，要么它确实生病了，而修猫的行为是常态。
这时候，要是你还在死守原来的“先验”，你就一辈子无法理解为啥那只猫的行为会引发如此大的聊聊。你需求的不是更多的数据，而是重新审视你的“先验”本身。 故此，贝叶斯定理压根儿不是一场关于如何提升准率的比赛。它更像是一场关于诚实的博弈。它要求你在拿到新证据之前，先诚实地面对自己脑子里那些不清楚不清、就连彻底毛病的想法。它不保证你能算出 99.9% 的对答案，但它能强迫你承认：哪怕你目前的“先验”再准，只要新证据来了，你都有权利去推翻它，哪怕这个推翻过程会让你从“专家”变成“初学者”，从“确定”变成“不确定”。 最终，我想说，这个定理最迷人的地方，在于它把“无知”变成了一个能够计算的量。它告诉我们，绝对的确定比绝对的无知要可怕得多。
要是你一启动就拿着一个完美的、但彻底虚构的世界模型，去碰那些真存有但充满矛盾的“后验”，那你拿到的结局，肯定不是真理，而是你脚踩的泥潭。贝叶斯定理告诉我们，放下那个完美的模型，哪怕它让你感到一丝遗憾，也比抱着一个完美的假想，在泥潭里打转要强得多。它让我们敢于承认，有些东西知道得越少是好事，有些时候，最大的智慧，就是承认自己也只是一只刚刚学会步行的小猫，别看还没数清所有脚印，但起码愿意信任，只要新证据一块来，它就能看清眼前这片草地，而不是非要盯着泥潭看一辈子。