Deep dive: regola di Bayes in diagnosi
Companion di
notes.mdsez. 2–3. Fonti:06_Incertezza.pdf(regola e
uso di Bayes); Genesereth–Kao.
1. Formula e nomi dei pezzi
P(C|E) = P(E|C) · P(C) / P(E)
P(C)priori: quanto e’ frequente la causa prima dei sintomi;P(E|C)likelihood: quanto la causa produce il sintomo;P(E)evidenza totale: somma su tutte le cause (normalizza);P(C|E)posteriori: cio’ che interessa al decisore.
Errore classico: confondere P(E|C) (sensibilita’ del sintomo) con P(C|E)
(probabilita’ della malattia). Bayes corregge con il base rate: un sintomo
tipico di una malattia rarissima resta poco probabile.
2. Esempio numerico (stile slide mediche)
Mal di denti: P(Carie) = 0.05, P(Dolore|Carie) = 0.8,
P(Dolore|¬Carie) = 0.1 (gengiviti, sensibilita’…).
P(Dolore) = 0.8·0.05 + 0.1·0.95 = 0.135
P(Carie|Dolore) = 0.8·0.05 / 0.135 ≈ 0.30
Il dolore alza la probabilita’ dal 5% al 30%, ma resta minoritaria: la
logica pura avrebbe concluso “carie” (sbagliando nel 70% dei casi), Bayes
quantifica il dubbio e chiede altri test.
3. Naive Bayes come Bayes ripetuto
Con attributi Ai indipendenti data C, la regola si applica in catena e
il denominatore P(A1..An) diventa una costante α unica:
P(C|A) = α · P(C) · Π P(Ai|C)
Si stimano solo P(C) e le singole P(Ai|C) (conteggi + smoothing di
Laplace contro zeri mai visti). Diagramma: stella con C al centro e frecce
verso ogni Ai.
Vedi anche: deepdive_bayes_networks.md, deepdive_inferenza_ve.md.