贝叶斯先验:判断是主观的,但可以更科学一点
一、课程学习:一张主线图先抓住
主线逻辑:
任何决策都带主观成分;
贝叶斯主义者承认“先验”是认知起点;
新证据通过似然度修正先验,得到后验;
概率不是纯客观真值,而是“信念的度量”;
好先验来自已知频率、科学知识、普遍信念;
再用具体信息做证据,把普遍概率具体化;
两种错误要避免:完全没有先验、先验不可动摇;
操作心法:设先验 → 找证据 → 更新后验 → 留出“我可能错了”的空间。
一句话总结:
先验不是偏见本身,而是可以被证据交易的“信念货币”;每一次经历,都是用证据购买更准确信念的过程。
二、课程分析:核心概念拆解
概念含义课程中的关键提醒
先验 P(H)看证据前对判断的初始概率可以是成见,但应是认知起点,不是终点
证据 E新观察到的信息证据不是绝对真理砖块,而是更新信念的货币
似然度 P(E|H)在假设 H 下看到证据 E 的可能性考察世界观与现实的兼容度
后验 P(H|E)看到证据后更新的判断后验 = 更新后的先验
贝叶斯更新用证据修正先验直观公式:后验 = 先验 + 证据更新
频率主义概率是事物客观属性强调长期重复频率
贝叶斯主义概率是信念的度量适合一次性、不可重复的人生决策
克伦威尔法则不要把先验设为 0 或 1永远给自己留“可能错了”的空间
自由能原理大脑是主动预测的贝叶斯推理机证据不符时:更新先验,或改变环境
对齐 Alignment给模型强先验,使其不被提示词轻易推翻人也像行走的大语言模型
课程最值得记住的三点:
没有先验不是科学,而是听风就是雨。
你不可能对“明天太阳升起”和“明天太阳爆炸”给同样概率。
先验太硬也不行。
把先验设成 1 或 0,就等于拒绝一切证据;真正的贝叶斯主义者会说“我可能错了”。
先验要分层:普遍先验 + 具体证据。
先用人群发病率、行业基础概率、环境参数做起点,再用个人症状、具体行为、公司事件做更新。
三、举例:把课程用到具体场景
例1:罕见病检测——强证据也可能后验不高
先验:发病率 0.1%;
证据:检测阳性;
检测准确度:有病 99% 阳性,没病 1% 误报;
1000 人中:真阳性约 1 人,假阳性约 10 人,总阳性约 11 人;
后验:约 1/11。
启示: 先验很低时,哪怕证据很强,后验也未必高。不要看到“99%准确”就忽略基础概率。
例2:垃圾邮件过滤——先验 20%,逐词更新
先验:所有邮件中垃圾邮件占 20%;
证据:出现“free”提高垃圾概率,出现“meeting”降低垃圾概率;
每看到一个词,做一次贝叶斯更新;
最后后验超过阈值,就标为垃圾邮件。
启示: 贝叶斯不是瞎猜,而是“记账”:先记基础概率,再逐条记证据。
例3:判断新同事是否可靠
先验:根据环境设定。若本地人心险恶,先验低;若社区环境好,先验高;
证据:一起办一两件事,观察是否守时、是否兑现承诺、是否推责;
更新:每次合作后调整信任概率;
留空间:不要因为一次好印象就设成 100% 信任,也不要因为一次失误就设成 0。
启示: 先验是起点,证据是货币,后验是当前定价。
例4:投资决策中的贝叶斯用法
以“某公司是否值得投资”为例:
先验:行业基础成功率、公司历史ROE、负债率、治理记录;
证据:财报、现金流、诉讼、监管处罚、控股股东重整进展;
更新:每条证据修正“资产安全”和“治理风险”的概率;
克伦威尔法则:不要因为看好品牌就把“治理风险已解除”设为 1,也不要因为ST就设为 0。
启示: 投资判断不是“好/坏”二选一,而是不断给“风险已被定价”的概率做后验更新。
贝叶斯先验
核心公式:后验 = 先验 + 证据更新
先验:原本看法、成见、可量化、可更新、可审计
两种概率观:频率主义 vs 贝叶斯主义
经典例子:罕见病、垃圾邮件、新同事信任
两种错误:没有先验、先验不可动摇
克伦威尔法则:不设 0 或 1
自由能原理:更新先验或改变环境
AI 与人生:LLM、Prompt、对齐、预训练
操作心法:环境设先验 → 具体证据更新 → 留出错空间
最终学习口诀:
先验打底,证据记账;后验更新,不设死理。