先验概率8.0%
先动手
先试一次，再理解原理
先调低事件基线，再给一个看似很强的证据，你会发现后验并不会像直觉里那样一下冲到很高。
互动实验
贝叶斯更新实验台
把事件本来有多常见，以及证据有多可靠，一起放进判断里。你会发现：同样一个阳性结果，在不同基线下能意味着完全不同的后验结论。
灵敏度92.0%
特异度88.0%
后验概率40.0%
快速认识
先用一句话知道它是什么
贝叶斯更新是一套把“原先相信什么”和“新证据有多可靠”组合起来改写判断的规则。
理解主线
再把关键变化顺下来
判断更新不能只看新证据，还要看原先事情有多常见。
证据越可靠，后验就越明显朝某个方向移动。
基线很低时，即使一次阳性也未必足够说明问题。
核心公式
用模型把关系写清楚
贝叶斯公式
P(H|E) = P(E|H)P(H) / P(E)
后验不只看证据 E 出现了没，而是看它在假设 H 为真时有多常见，再乘上原来的先验。
符号含义
- P(H) 先验概率
- P(E|H) 证据在假设为真时出现的概率
- P(E) 证据整体出现的概率
- P(H|E) 看到证据后的后验概率
适用说明
- 适合做筛查、诊断和分类更新。
- 实验里拖动基线和检验准确率，本质上是在改变先验与似然。
核心概念
把最重要的三个点讲清楚
先验不是偏见，而是起点
在看到新信息前，你对事情原本有一个背景判断。
证据要看区分力
好证据不是“出现了”，而是“更像在真条件下出现”。
后验是更新后的相信程度
它是先验和证据共同作用后的新结论。
现实应用
这些场景真的会用到它
医学筛查判读
理解阳性结果到底意味着什么，必须同时考虑患病率、灵敏度和特异度。
垃圾邮件与风险识别
很多分类系统都在不断累积证据、更新某个标签的可信度。
推荐与决策系统
系统会根据用户每一次点击、停留和反馈，持续更新对偏好的判断。
继续探索