贝叶斯公式

没问题！我们用一个每个人都可能经历过的、既有趣又有点小紧张的场景来解释贝叶斯公式：“那个经常和你聊天的暗恋对象，到底喜不喜欢你？”

通过这个例子，你会发现贝叶斯公式其实就是我们大脑在恋爱（和生活决策）中进行“清醒脑补”的数学工具。

---

一、 设定故事背景

• 你的假设 $H$：“他/她喜欢我。”
• 新证据 $E$：昨晚深夜，他/她主动给你发了一条信息：“在干嘛呢？我睡不着。”

在收到这条信息前，你该怎么用贝叶斯公式计算“他/她喜欢你”的真实概率呢？

---

二、 贝叶斯公式的四步拆解

我们把数字带入贝叶斯公式中：

$P(H|E) = \frac{P(E|H) \cdot P(H)}{P(E)}$

1. 先验概率 $P(H)$ —— 你的初始信心

在收到这条微信之前，根据你们平时的互动，你觉得自己不是特别突出。你冷静地估计，对方喜欢你的概率只有 $20\%$。

• $P(H) = 0.2$ （喜欢你）
• $P(\neg H) = 0.8$ （不喜欢你，只是把你当普通朋友）

2. 似然度 $P(E|H)$ 与 $P(E|\neg H)$ —— 行为背后的动机

现在我们要评估，在不同前提下，对方发这条信息的概率：

• 情境 A：如果他/她真的喜欢你 ($H$) 一个喜欢你的人，深夜睡不着主动找你聊天的概率是非常高的。我们设定这个概率为 $70\%$。 $P(E|H) = 0.7$
• 情境 B：如果他/她不喜欢你，只当你是普通朋友 ($\neg H$) 一个不喜欢你的人，深夜睡不着也可能会群发消息，或者刚好无聊找人打发时间，但概率相对较低。我们设定这个概率为 $10\%$。 $P(E|\neg H) = 0.1$

3. 边缘概率 $P(E)$ —— 收到这条信息的总概率

无论喜不喜欢，你收到这条信息的总概率是多少？ $P(E) = P(E|H) \cdot P(H) + P(E|\neg H) \cdot P(\neg H)$ $P(E) = (0.7 \times 0.2) + (0.1 \times 0.8) = 0.14 + 0.08 = 0.22$

4. 后验概率 $P(H|E)$ —— 最终的理性答案

现在，见证奇迹的时刻到了。既然你已经实实在在地收到了这条信息（证据 $E$ 发生了），他/她喜欢你的概率更新为：

$P(H|E) = \frac{0.7 \times 0.2}{0.22} = \frac{0.14}{0.22} \approx 0.636 \ (63.6\%)$

结论： 因为这一条深夜的“在干嘛”，你心中对方喜欢你的概率，从原本卑微的 $20\%$ 瞬间飙升到了 $63.6\%$！这时候，你就可以更有信心地展开互动了。

---

三、 贝叶斯更新：如果他又泼了冷水？

贝叶斯的精髓在于持续更新。 第二天，你兴高采烈地约他/她周末去看电影（新证据 $E_2$），结果对方回答：“不好意思啊，我周末要在家补觉。”

这时候，前一次算出的后验概率 $63.6\%$ 就变成了你这一轮的“新先验概率”：

• 新的 $P(H) = 0.636$
• 新的 $P(\neg H) = 0.364$

你可以重新把“拒绝邀约”的似然度代入公式，计算出最新的喜欢概率。你会发现，概率会再度无情地下滑。这就是贝叶斯思维——不因一次示好而狂妄，也不因一次拒绝而气馁，永远用最新的证据修正自己的认知。

---

四、 延伸学习

如果你对贝叶斯思维感兴趣，可以进一步探索以下子概念：

• 基础率谬误（Base Rate Fallacy）：人类常常忽视 $P(H)$（基础概率），而对新证据 $E$ 做出过度反应。
• 朴素贝叶斯分类器（Naive Bayes Classifier）：垃圾邮件过滤系统的核心算法，其原理和上面的“暗恋猜测”一模一样。
• 共轭先验（Conjugate Prior）：在数学计算中，如何更方便地连续更新概率。