Deep dive: regola di Bayes in diagnosi

Companion di notes.md sez. 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.