为什么阳性了患病概率还这么低？

因为基础患病率极低(1%)，大量健康人被检出的假阳性(5%)远多于真病人。贝叶斯提醒：稀有事件阳性预测值天然偏低，需结合复检。

可用人群发病率、历史数据或领域经验；证据充分时后验对先验不敏感，先验主要用于证据不足时的正则化。

贝叶斯后验概率 - 免费在线人工智能工具

🎲 Bayesian Posterior Probability

Update a posterior probability from a prior and a likelihood using Bayes theorem. Applies to medical screening, spam filtering and any belief-updating task.

📐 计算公式 / 原理

P(B) = 先验 × 敏感度 + (1 − 先验) × (1 − 特异度)；后验 P(A|B) = 先验 × 敏感度 / P(B)；NPV = (1 − 先验) × 特异度 / [(1 − 先验) × 特异度 + 先验 × (1 − 敏感度)]

贝叶斯定理在检测场景的直接应用：即便试剂敏感度、特异度都很高，若疾病先验极低，阳性预测值仍可能很小（假阳性占多数）——这是"筛查阳性≠患病"的数学根据，也是高危人群筛查才有意义的理由。

先验 P(A)

似然 P(B|A)

特异度 P(¬B|¬A)

📚 深度解析：贝叶斯后验概率

💡 常见使用场景

贝叶斯公式 P(A|B)=P(B|A)P(A)/P(B)，由先验 P(A) 与似然 P(B|A) 更新为后验。
医学筛查中 A=患病、B=阳性，后验=P(患病|阳性) 即阳性预测值。
先验很弱时单次证据即可大幅修正信念；证据越多后验越稳。

疾病筛查阳性解读

患病率 P(D)=1%，灵敏度 P(+|D)=90%，特异度 P(−|¬D)=95%。P(+)=0.9×0.01+0.05×0.99=0.0585，后验 P(D|+)=0.009/0.0585≈15.4%。即阳性者真正患病概率仅约 15%。

❓ 常见问题（FAQ）

为什么阳性了患病概率还这么低？: 因为基础患病率极低(1%)，大量健康人被检出的假阳性(5%)远多于真病人。贝叶斯提醒：稀有事件阳性预测值天然偏低，需结合复检。
先验怎么取？: 可用人群发病率、历史数据或领域经验；证据充分时后验对先验不敏感，先验主要用于证据不足时的正则化。

Formula & Standard References

Item	Formula / Note	Source / Standard
Bayes rule	posterior = likelihood x prior / evidence	Bayesian inference
Naive assumption	naive Bayes assumes conditional independence at the cost of bias	Naive Bayes literature
Zero probability	unseen features zero the product unless smoothing is applied	Naive Bayes literature

贝叶斯后验概率