Что такое теорема Байеса и ошибка пренебрежения базовой частотой?

Question

Accepted Answer

Теорема Байеса пересчитывает вероятность гипотезы после наблюдения: P(H|D) = P(D|H)P(H) / P(D). Классическая ловушка — забыть базовую частоту P(H): при редком событии даже очень точный тест даёт больше ложных срабатываний, чем верных. Пример: болезнь у 1 из 1000, тест с чувствительностью 99% и 1% ложноположительных → при положительном результате вероятность болезни около 9% В антифроде, модерации и медицине это объясняет низкую precision Байесовские A/B-тесты отвечают на «вероятность, что B лучше A», но требуют априорного распределения Связь с ML: precision зависит от доли положительного класса, а recall — нет Расчёт примера на 100 000 человек: - больных — 100; тест найдёт 99 (чувствительность 99%); - здоровых — 99 900; ложных срабатываний 1% — 999; - положительных результатов всего 1 098, больных среди них 99 — около 9%. Интуиция «тест точен на 99% → 99%» игнорирует, что здоровых в тысячу раз больше. Где встречается аналитику: - модель мошенничества с 99% accuracy на редком классе; - алерты мониторинга: при редких реальных инцидентах большая часть тревог — ложные; - интерпретация результатов тестов и опросов. Байесовский подход к экспериментам: вместо p-value — распределение возможного эффекта и вероятность, что вариант лучше. Удобно бизнесу, но зависит от выбора априорного распределения и не отменяет проблему раннего подглядывания полностью.

Что такое теорема Байеса и ошибка пренебрежения базовой частотой?

Подробно

Что хотят услышать

Связанные вопросы

Подсказки на собеседовании — в реальном времени