Comments on: 貝氏定理(下) - 99%的準確度 http://mmdays.com/2008/05/04/bayes2/ 網路, 產業, 資訊, 觀察, 生活, 電影, 技術, 新知, 科技, 媒體, 趨勢, Web 2.0 Wed, 20 Aug 2008 20:45:32 +0000 http://wordpress.org/?v=2.5.1 By: Mr. Tomorrow http://mmdays.com/2008/05/04/bayes2/#comment-18452 Mr. Tomorrow Thu, 24 Jul 2008 00:46:39 +0000 http://mmdays.com/?p=5823#comment-18452 Sierra 說得很對!!! 雖然有些軟體會有"smart scan" 之類的選項，只檢測.exe .dll 等高危檔案。但相對aids 病毒檢測而言，電腦病毒測試對經濟效益的考量沒有那麼重要，分別也沒有那麼明顯。 Sierra 說得很對!!!

雖然有些軟體會有”smart scan” 之類的選項，只檢測.exe .dll 等高危檔案。但相對aids 病毒檢測而言，電腦病毒測試對經濟效益的考量沒有那麼重要，分別也沒有那麼明顯。

]]> By: Sierra http://mmdays.com/2008/05/04/bayes2/#comment-18433 Sierra Wed, 23 Jul 2008 07:47:06 +0000 http://mmdays.com/?p=5823#comment-18433 所以實際醫療上不會無故在路上抓一個人，就驗AIDS，為了經濟效益，檢測前會利用條件篩選出較高危險的族群，如此可以增加真正AIDS的出現率。花在比如驗妓女、嫖妓者，比驗沒性行為（或者性伴侶固定，當然性伴侶的性伴侶也要固定）的一般人，好太多了。 防毒軟體就沒差了，速度夠快，檔案有限，只要肯多付出時間掃一些正常檔案，來抓出少，但危害大的病毒。 檢驗陽性，而真正有病的機率，就是陽性預測值 (PPV, Positive predictive value)，也是"臨床上"直接最關心的。為何說是"直接"，因為沒有好的檢驗方法，和相對較高的盛行率，也沒有好的PPV。 所以實際醫療上不會無故在路上抓一個人，就驗AIDS，為了經濟效益，檢測前會利用條件篩選出較高危險的族群，如此可以增加真正AIDS的出現率。花在比如驗妓女、嫖妓者，比驗沒性行為（或者性伴侶固定，當然性伴侶的性伴侶也要固定）的一般人，好太多了。
防毒軟體就沒差了，速度夠快，檔案有限，只要肯多付出時間掃一些正常檔案，來抓出少，但危害大的病毒。
檢驗陽性，而真正有病的機率，就是陽性預測值 (PPV, Positive predictive value)，也是”臨床上”直接最關心的。為何說是”直接”，因為沒有好的檢驗方法，和相對較高的盛行率，也沒有好的PPV。

]]> By: joehwu http://mmdays.com/2008/05/04/bayes2/#comment-16930 joehwu Thu, 22 May 2008 07:41:56 +0000 http://mmdays.com/?p=5823#comment-16930 Steven！我確定書裡面對於這個問題已經有詳細的解說和答案了，而且解法就和Mr. Tomorrow一模一樣，你是故意拿來考他的嗎？XD，另外，書裡面有提到「路上隨便找一個人，他有得到愛滋的機率薇0.01%」，因此這個問題的答案就是Mr. Tomorrow說得50%！ Steven！我確定書裡面對於這個問題已經有詳細的解說和答案了，而且解法就和Mr. Tomorrow一模一樣，你是故意拿來考他的嗎？XD，另外，書裡面有提到「路上隨便找一個人，他有得到愛滋的機率薇0.01%」，因此這個問題的答案就是Mr. Tomorrow說得50%！

]]> By: stevenlin http://mmdays.com/2008/05/04/bayes2/#comment-16877 stevenlin Sun, 18 May 2008 06:18:49 +0000 http://mmdays.com/?p=5823#comment-16877 花了很久時間看完這貝式定理兩篇，然後看到回應的時候嚇了一跳, 原來在這裡叫steven的不只我一個XD 花了很久時間看完這貝式定理兩篇，然後看到回應的時候嚇了一跳,
原來在這裡叫steven的不只我一個XD

]]> By: Mr. Tomorrow http://mmdays.com/2008/05/04/bayes2/#comment-16603 Mr. Tomorrow Wed, 07 May 2008 21:46:41 +0000 http://mmdays.com/?p=5823#comment-16603 steven: 這本書說的例子和我的電腦病毒例子差不多一模一樣。 你試試用上面有病毒/無病毒 和 警報響起/警報沒響起 那個表。只要把數字擺進去便會得到結果啊。 但這本書有沒有告訴你愛滋病的prior 呢，就是說在街頭上隨便找個人，不做任何檢驗，他是愛滋病者的機率。如果沒有這個機率便不能完成計算。 我沒有仔細的計，但如果這個機率是在0.01% 以下，這樣你便會得到和文中一樣的結果，就是說「即使測試準確度這麼高，他真的是愛滋病的機率仍是低於50%。」 steven: 這本書說的例子和我的電腦病毒例子差不多一模一樣。

你試試用上面有病毒/無病毒 和 警報響起/警報沒響起 那個表。只要把數字擺進去便會得到結果啊。

但這本書有沒有告訴你愛滋病的prior 呢，就是說在街頭上隨便找個人，不做任何檢驗，他是愛滋病者的機率。如果沒有這個機率便不能完成計算。

我沒有仔細的計，但如果這個機率是在0.01% 以下，這樣你便會得到和文中一樣的結果，就是說「即使測試準確度這麼高，他真的是愛滋病的機率仍是低於50%。」

]]> By: Steven http://mmdays.com/2008/05/04/bayes2/#comment-16597 Steven Wed, 07 May 2008 15:47:37 +0000 http://mmdays.com/?p=5823#comment-16597 一個從一本很棒的書"隱藏的邏輯"這本書p87裏看到的一個問題, 書中的答案令人吃驚但書裏解釋相當簡化, 能否請Tomorrow大大幫忙解答. ...現在對愛滋病毒(HIV)的血液篩檢已經相當準確; 如果一個人本身就是愛滋病患者, 檢驗結果(即HIV呈陽性反應)的準確度是99.9%. 而如果某人並沒有感染愛滋病, 檢驗結果(HIV呈陰性反應)的準確度更高達99.99%. 現在, 若在街頭上隨便找個人, 為他做HIV篩檢, 如果得到的結果是陽性反應, 那麼他真的是愛滋病帶原者的機率有多大? 一個從一本很棒的書”隱藏的邏輯”這本書p87裏看到的一個問題, 書中的答案令人吃驚但書裏解釋相當簡化, 能否請Tomorrow大大幫忙解答.

…現在對愛滋病毒(HIV)的血液篩檢已經相當準確; 如果一個人本身就是愛滋病患者, 檢驗結果(即HIV呈陽性反應)的準確度是99.9%. 而如果某人並沒有感染愛滋病, 檢驗結果(HIV呈陰性反應)的準確度更高達99.99%.
現在, 若在街頭上隨便找個人, 為他做HIV篩檢, 如果得到的結果是陽性反應, 那麼他真的是愛滋病帶原者的機率有多大?

]]> By: iguest http://mmdays.com/2008/05/04/bayes2/#comment-16594 iguest Wed, 07 May 2008 11:34:11 +0000 http://mmdays.com/?p=5823#comment-16594 男生女生那邊看的好想睡，病毒那邊就有趣多了！ 男生女生那邊看的好想睡，病毒那邊就有趣多了！

]]> By: fcamel http://mmdays.com/2008/05/04/bayes2/#comment-16577 fcamel Mon, 05 May 2008 17:44:50 +0000 http://mmdays.com/?p=5823#comment-16577 真棒的介紹，清楚又有深度！ 謝謝分享心得 真棒的介紹，清楚又有深度！

謝謝分享心得

]]> By: Mr. Tomorrow http://mmdays.com/2008/05/04/bayes2/#comment-16574 Mr. Tomorrow Mon, 05 May 2008 01:31:36 +0000 http://mmdays.com/?p=5823#comment-16574 idreamer: 那是typo(.....其實這個不算是typo，是計錯了減數=p)....對不起......應是67% 才對，謝謝你的指正。 idreamer: 那是typo(…..其實這個不算是typo，是計錯了減數=p)….對不起……應是67% 才對，謝謝你的指正。

]]> By: idreamer http://mmdays.com/2008/05/04/bayes2/#comment-16573 idreamer Mon, 05 May 2008 00:44:25 +0000 http://mmdays.com/?p=5823#comment-16573 我比較好奇的是這一段： == 運用貝氏定理公式，我便知道 P(有病毒|警報響起)= 0.00495/(0.00495+0.00995)=33% (又或者用文字說，警報響起有兩種情況，一是有病毒，佔0.00495，二是沒有病毒，佔0.00995，有病毒的情況佔總和的33%) 這便是說，即使病毒測試的準確度是99%，當警報響起時，仍然有77% 機會是誤鳴。 == 33% + 77% != 100% 啊 ... =p 我比較好奇的是這一段：
==
運用貝氏定理公式，我便知道
P(有病毒|警報響起)= 0.00495/(0.00495+0.00995)=33%
(又或者用文字說，警報響起有兩種情況，一是有病毒，佔0.00495，二是沒有病毒，佔0.00995，有病毒的情況佔總和的33%)

這便是說，即使病毒測試的準確度是99%，當警報響起時，仍然有77% 機會是誤鳴。
==
33% + 77% != 100% 啊 … =p

]]>