再次检讨，最近工作状态有点差，学习的积极性也没之前高了，可能是因为项目数量起来之后有点乱导致的，但愿自己早点走出来。
今天给大家分享的是新学习到的一个极其方便的分析工具，叫做贝叶斯规则，这个规则能帮助你利用 基础概率和波动数据做到明察秋毫。
还是通过例子来看今天的内容：
医生带来了恼人的消息，给了你一份蜥蜴流感诊断书。
好消息是蜥蜴流感并不致命，在家治疗几个星期即可痊愈；
坏消息是蜥蜴流感极其麻烦，你不得不歇业，与心爱的人离别几周。
医生确信你已染病在身。不过，由于你对数据分析已经得心应手，所以可能想看看试验结果，了解了解试验结果的准确性。
你火速上网搜索了该流感的诊断试验，收获到一份试验正确性分析报告：
若某人已患蜥蜴流感：试验结果为阳性的概率为90%。
若某人未患蜥蜴流感：试验结果为阳性的概率为9%。
根据这个信息，你觉得自己患病的概率有多大？90%？81%？75%？
对于这类问题，大多数人的答案也许都是75% —— 这大错特错了
在得出正确答案之前，有太多问题需要解决，我们要彻底从头开始……
让我们逐条细读正确性分析
分析报告针对试验给出了两类断言，“阳性”结果的概率随实验对象是否患蜥蜴流感而发生变化。因此，让我们想象有两个不同的控件：一个空间有大量的人患有蜥蜴流感，另一个空间里几乎没有人患蜥蜴流感；然后再来观察未患流感的人的“阳性”概率。
情形1：
如果100个人中有90个人患病，
这表示10人不患病，
10人的9%等于1人，
这1人的试验结果为阳性但未患病。 
情形2：
如果100个人中有10个人患病，
这表示90人不患病，
90人的9%等于10人，
这10人的试验结果为阳性但未患病。 
看起来，起码对于未患病但试验结果为阳性这种情况，蜥蜴流感在总人数中站的分量有显著差别。
其实，除非我们不仅知道试验正确性分析结果，而且知道有多少人已患蜥蜴流感，否则，我们根部无法判断某人得流感的可能性有多大。
而到这里，又引出了一个概念 —— 条件概率。
假阳性：未患疾病却被误诊为阳性
真阴性：未患疾病且检验结果为阴性
真阳性：患有疾病且检验结果为阳性
假阴性：患有疾病但检验结果为阴性
以上这些术说的都是条件概率。条件概率即以一件事的发生为前提的另一件事的发生概率。
研究表明总人口中有1%的人患有蜥蜴流感 —— 这个数据可以用来分析试验结果，从人类的角度上看，这个人数非常多，但从总体人口的百分比上看，这个数字非常小。
1%是基础概率，在根据试验结果单独分析每个人的情况之前，你就已经知道患有蜥蜴流感的人口只有1%，因此基础概率又称作事前概率。
假定以1000人为基础进行计算，我们来看看你自己患蜥蜴流感的概率。
在试验结果为阳性的条件下患者的概率为：
你患有蜥蜴流感的几率为9%！而你刚刚用的就是贝叶斯规则，这是一个强悍无比的统计公示，有了这个工时，你就能用基础概率和条件概率估计新的条件概率。如果你想用数学方法进行计算，可以使用下面这个怪模怪样的公式：
贝叶斯规则可以反复使用
贝叶斯规则是一个重要的数据分析工具，他提供了一种把新信息整合到分析中的精确方法。
针对你蜥蜴流感的几率比正常人高9倍的情况，医生再度给你做了一次检查，这次用的药物比上次的更高级更专业，正确性分析报告如下：
若某人已患蜥蜴流感：试验结果为阳性的概率为99%。
若某人未患蜥蜴流感：试验结果为阳性的概率为1%。
而此次的诊断结果为阴性。但是最好再分析一遍数据，那么这次的基础概率是多少囔？
基础概率不会是1%，新基础概率是9%，
我们刚算过，这正式我自己的患病概率。
新信息会改变你的基础概率，拿到第一项试验结果时，你把大家的蜥蜴流感发病率当作自己的基础概率。但你从试验结果中了解到，你患蜥蜴流感的概率高于基础概率；这个高概率是你的新基础概率，因为现在你属于试验结果为阳性的人群。
那么是时候在用一次贝叶斯规则看看你患蜥蜴流感的新概率了！
