ניצן בייס' טעארעם אין ווארשיינליכקייט
בייעס' טעארעם, גערופן נאך רעווערענד טאמעס בייעס, איז א פונדאמענטאלער טעארעם אין דעם פעלד פון ווארשיינליכקייט טעאריע. דער טעארעם גיט א וועג צו דערהיינטיקן די ווארשיינליכקייט פון א היפאטעזע באזירט אויף נייע באווייזן. עס איז געווארן א וויכטיג געצייג אין פארשידענע פעלדער, אריינגערעכנט סטאטיסטיק, מאשין לערנען, מעדיצינישע דיאגנאז, און באשלוס-מאכן פראצעסן. אין עיקר, קען בייעס' טעארעם ווערן גענוצט צו רעוויזירן עקזיסטירנדע פאראויסזאגונגען אדער טעאריעס געגעבן נייע אדער צוגעלייגטע דאטן.
פֿאַרשטיין בייס' טעאָרעם
אין זײַן קערן, איז בייס' טעאָרעם אַ פֿאָרמעלער מאַטעמאַטישער אויסדרוק וואָס פֿאַרבינדט די איצטיקע וואַרשיינלעכקייט מיט פֿריִערדיקער וואַרשיינלעכקייט. עס ווערט אויסגעדריקט ווי פֿאָלגט:
[P(A|B) = \frac{P(B|A) ⋅P(A)}{P(B)}]
ווו:
– \( P(A|B) \) איז די שפּעטערדיקע וואַרשיינלעכקייט, אדער די וואַרשיינלעכקייט פון געשעעניש A געגעבן אַז B איז אמת.
– \( P(B|A) \) איז די ליקעליהאָאָד, אדער די וואַרשיינלעכקייט, פון געשעעניש B געגעבן אַז A איז אמת.
– \(P(A) \) איז די פריערדיקע ווארשיינליכקייט, אדער די ווארשיינליכקייט פון געשעעניש A פארן באטראכטן B.
– \(P(B) \) איז די מאַרדזשינאַלע וואַרשיינלעכקייט, אדער די גאַנצע וואַרשיינלעכקייט פון געשעעניש B וואָס וועט פּאַסירן.
קאָמפּאָנענטס דערקלערט
1. שפּעטערדיקע וואַרשיינלעכקייט \( P(A|B) \): דאָס איז די דערהייַנטיקטע וואַרשיינלעכקייט פון דער היפּאָטעזע נאָך באַטראַכטן די נייע באַווייַזן. אין פילע פּראַקטישע אַפּליקאַציעס, דאָס איז דער ווערט וואָס מיר זענען אינטערעסירט אין רעכענען.
2. מסתּמאקייט \( P(B|A) \): דאָס מעסט ווי קאָמפּאַטיבל די נייע באַווייזן זענען מיט דער ערשטער היפּאָטעזע. עס איז אָפט דערייווד פון פריערדיקע דאַטן אָדער סטאַטיסטישע מאָדעלן.
3. פריערדיגע ווארשיינליכקייט \(P(A) \): דאס איז דער ערשטער גראד פון גלויבן אין דער היפאטעזע איידער קיין נייע באווייזן ווערן גענומען אין באטראכט. עס איז באזירט אויף פריער באקאנטע אינפארמאציע.
4. מאַרדזשינאַלע וואַרשיינלעכקייט \(P(B) \): דאָס איז אַ נאָרמאַליזאַציע פאַקטאָר וואָס זיכערט אַז די וואַרשיינלעכקייטן סומען זיך צו 1. עס ווערט בכלל קאַלקולירט דורך באַטראַכטן אַלע וועגן ווי B קען פּאַסירן.
פּראַקטישע אַפּליקאַציעס פון בייס' טעאָרעם
מעדיציניש דיאַגנאָסיס
איינע פון די מערסטע געוויינטלעכע אנווענדונגען פון בייס' טעארעם איז אין מעדיצינישער דיאַגנאָז. למשל, לאָמיר זאָגן אַז אַ פּאַציענט גייט דורך אַ טעסט פֿאַר אַ באַזונדערער קראַנקייט. די טעסט רעזולטאַטן קומען צוריק פּאָזיטיוו, אָבער עס איז וויכטיק צו פֿאַרשטיין וואָס דאָס טאַקע מיינט אין טערמינען פון די וואַרשיינלעכקייט אַז דער פּאַציענט האט די קראַנקייט.
באַטראַכטן די פאלגענדע סצענאַר:
– די וואַרשיינלעכקייט פון אַ מענטש צו האָבן די קראַנקייט (פריערדיקע וואַרשיינלעכקייט, \( P(D) \)) איז 0.01 אדער 1%.
– די וואַרשיינלעכקייט פון אַ positive טעסט געגעבן אַז דער מענטש האט די קראַנקייט (וואַרשיינלעכקייט, \( P(T|D) \)) איז 0.99 אדער 99%.
– די וואַרשיינלעכקייט פון אַ positive טעסט צי דער מענטש האט די קראַנקייט צי נישט (מאַרדזשינאַל וואַרשיינלעכקייט, \( P(T) \)) דאַרף מען אָפּרעכענען באַזירט אויף ביידע positive און נעגאַטיווע פאַלן.
ניצנדיק בייס' טעארעם, קען מען אויסרעכענען די פּאָסטעריאָרע וואַרשיינלעכקייט \(P(D|T) \), וואָס איז די וואַרשיינלעכקייט פון האָבן די קראַנקייט געגעבן אַ positive טעסט רעזולטאַט. דאָס קען פירן דאָקטוירים אין מאַכן מער אינפאָרמירטע דיסיזשאַנז וועגן ווייטערדיקע טעסץ אָדער באַהאַנדלונגען.
לעגאַלע באַשלוס-מאכן
אין לעגאלע קאנטעקסטן, קען מען ניצן בייס' טעארעם צו אפשאצן די וואָג פון באווייזן. למשל, אויב מען לייגט פאר פארענזישע באווייזן אין געריכט, קען מען קוואנטיפיצירן זייער איינפלוס אויף די מעגלעכקייט פון א באשולדיגטן'ס שולד מיט בייס' טעארעם.
Machine Learning
אין מאַשין לערנען, ספּעציעל אין בייעסישע נעטוואָרקס און נאַיווע בייס קלאַסיפיערס, ווערט בייס' טעאָרעם ברייט גענוצט. די מאָדעלן ווערן גענוצט פֿאַר קלאַסיפֿיקאַציע אויפֿגאַבעס, וואו די ציל איז צו קאַטעגאָריזירן דאַטן פּונקטן אין פֿאַרשידענע קלאַסן באַזירט אויף באַאָבאַכטע פֿעיִקייטן.
למשל, ספּאַם פילטערס ניצן נאַיווע בייס קלאַסיפיערס צו באַשטימען צי אַן אימעיל איז ספּאַם אָדער נישט באַזירט אויף דער אנוועזנהייט פון געוויסע ווערטער. דורך דערהייַנטיקן די וואַרשיינלעכקייטן ווי נייַע אימעילס ווערן באַגעגנט, פֿאַרבעסערן זיך די פילטערס מיט דער צייט, און פאָרשלאָגן מער פּינקטלעכע קלאַסיפֿיקאַציעס.
עקאנאמיק און פינאַנסע
עקאנאמיסטן און פינאנציעלע אנאליסטן ניצן בייס'ס טעארעם צו דערהיינטיקן פאראויסזאגונגען און מאדעלן ווען נייע עקאנאמישע דאטן ווערן פאראן. למשל, זיי קענען רעוויזירן די ווארשיינליכקייט פון אינטערעס ראטע ענדערונגען באזירט אויף נייע עקאנאמישע אינדיקאטארן אדער פאליסי מעלדונגען.
אויסגעארבעטע ביישפּיל
לאָמיר קוקן אויף אַ פאַרפּשוטעט בייַשפּיל צו זען בייעס' טעאָרעם אין אַקציע.
זאָגן מיר אַז אַ פֿאַבריק פּראָדוצירט ווידזשעטס, און עס איז דאָ אַ באַקאַנטע חסרון ראַטע. דער פֿאַבריק מענעדזשער באַקומט אַ ווידזשעט וואָס איז דעפֿעקטיוו און וויל וויסן די וואַרשיינלעכקייט אַז עס קומט פֿון מאַשין אַ אָדער מאַשין ב.
– מאַשין א פּראָדוצירט 60% פֿון די ווידזשעטס אָבער האט אַ 3% דעפֿעקט קורס.
– מאַשין ב פּראָדוצירט 40% פֿון די ווידזשעטס אָבער האָט אַ 5% דעפֿעקט קורס.
מיר דאַרפֿן צו געפֿינען די וואַרשיינלעכקייט אַז דער דעפֿעקטיווער ווידזשעט איז געקומען פֿון מאַשין A (\( P(A|D) \)).
ניצן דעם טעארעם:
[P(A|D) = \frac{P(D|A) ⋅ P(A)}{P(D)}]
ווו:
– \( P(A) = 0.6 \) (פריערדיקע ווארשיינליכקייט פון מאשין A'ס אויסגאבע).
– \( P(D|A) = 0.03 \) (ווארשיינליכקייט פון א דעפעקט פון מאשין A).
– \( P(D) \) איז די מאַרדזשינאַלע וואַרשיינלעכקייט פון אַ דעפעקט, קאַלקולירט ווי:
[P(D) = P(D|A) ⋅P(A) + P(D|B) ⋅P(B)]
\[ = (0.03 × 0.6) + (0.05 × 0.4) \]
\[ = 0.018 + 0.02 \]
\[ = 0.038 \]
אריינשטעלן די ווערטן צוריק אין בייס'ס טעארעם:
[P(A|D) = \frac{0.03 \× 0.6}{0.038} \]
\[ = \frac{0.018}{0.038} \]
\[ \אומגעפער 0.474 \]
אַלזאָ, עס איז דאָ בערך אַ 47.4% שאַנס אַז דער דעפעקטיווער ווידזשעט איז געקומען פֿון מאַשין אַ.
סאָף
בייעס' טעארעם איז א קריטישער געצייג וואס העלפט אין פראבאביליסטישער לאגיק דורך אפדעיטן גלויבונגען מיט נייע באווייזן. איר פילזייטיגקייט אין פארשידענע פעלדער אונטערשטרייכט איר וויכטיקייט. צי עס איז איבערקוקן די מעגלעכקייט פון מעדיצינישע צושטאנדן, פארבעסערן מאשין לערנען מאדעלן, אינפארמירן לעגאלע באשלוסן, אדער פארבעסערן עקאנאמישע פאראויסזאגונגען, בייעס' טעארעם גיט א שטארקע פריימווערק פארן מאכן מער אינפארמירטע, דאטן-געטריבענע באשלוסן. ווי דאטן ווערט מער און מער פארשפרייט, וועט באהערשן בייעסישע לאגיק אומצווייפלעך בלייבן אן אומשאצבארע סקיל.
