為什麼陽性了患病機率還這麼低？

因為基礎患病率極低(1%)，大量健康人被檢出的假陽性(5%)遠多於真病人。貝葉斯提醒：稀有事件陽性預測值天然偏低，需結合複檢。

可用人群發病率、歷史資料或領域經驗；證據充分時後驗對先驗不敏感，先驗主要用於證據不足時的正則化。

貝葉斯後驗機率 - 免費線上人工智慧工具

🎲 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.

📐 計算公式 / 原理

P(B) = 先驗 × 敏感度 + (1 − 先驗) × (1 − 特異度)；後驗 P(A|B) = 先驗 × 敏感度 / P(B)；NPV = (1 − 先驗) × 特異度 / [(1 − 先驗) × 特異度 + 先驗 × (1 − 敏感度)]

貝葉斯定理在檢測場景的直接應用：即便試劑敏感度、特異度都很高，若疾病先驗極低，陽性預測值仍可能很小（假陽性佔多數）——這是"篩查陽性≠患病"的數學根據，也是高危人群篩查才有意義的理由。

先驗 P(A)

似然 P(B|A)

特異度 P(¬B|¬A)

📚 深度解析：貝葉斯後驗機率

💡 常見使用場景

貝葉斯公式 P(A|B)=P(B|A)P(A)/P(B)，由先驗 P(A) 與似然 P(B|A) 更新為後驗。
醫學篩查中 A=患病、B=陽性，後驗=P(患病|陽性) 即陽性預測值。
先驗很弱時單次證據即可大幅修正信念；證據越多後驗越穩。

疾病篩查陽性解讀

患病率 P(D)=1%，靈敏度 P(+|D)=90%，特異度 P(−|¬D)=95%。P(+)=0.9×0.01+0.05×0.99=0.0585，後驗 P(D|+)=0.009/0.0585≈15.4%。即陽性者真正患病機率僅約 15%。

❓ 常見問題（FAQ）

為什麼陽性了患病機率還這麼低？: 因為基礎患病率極低(1%)，大量健康人被檢出的假陽性(5%)遠多於真病人。貝葉斯提醒：稀有事件陽性預測值天然偏低，需結合複檢。
先驗怎麼取？: 可用人群發病率、歷史資料或領域經驗；證據充分時後驗對先驗不敏感，先驗主要用於證據不足時的正則化。

貝葉斯後驗機率

🎲 Bayesian Posterior Probability

📐 計算公式與說明

📚 深度解析：貝葉斯後驗機率

💡 常見使用場景

❓ 常見問題（FAQ）

🔗 相關工具