확률, 조건부 확률, 베이즈 정리
병이 있는 사람의 99% 를 잡아내는 검사에서 양성이 나왔습니다. 정말 병일 확률은 얼마일까요? 99% 라고 답하기 쉽지만, 드문 병이면 훨씬 낮습니다. 사람 1000명을 그려 놓고 직접 세어 보세요.
한 줄 답. 확률은 0 에서 1 사이의 숫자로 적는 「얼마나 일어날 만한가」입니다. 조건부 확률은 「이미 무엇을 알 때」의 확률입니다. 아는 것에 맞는 경우만 남기고 그 안에서 다시 셉니다. 베이즈 정리는 새 증거를 보고 믿음을 고치는 셈법입니다. 원래 믿음 × 그 경우에 이 증거가 나올 확률을, 이 증거가 나올 전체 확률로 나눕니다.
- 진짜 양성(병 있음, 양성): 명
- 가짜 음성(병 있음, 음성): 명
- 가짜 양성(병 없음, 양성): 명
- 진짜 음성(병 없음, 음성): 명
막대를 끌거나 숫자를 고쳐 보세요. 동그라미는 병이 있는 사람, 네모는 병이 없는 사람입니다. 속이 찬 것은 검사에서 양성, 빈 것은 음성입니다. 점은 사람 단위로 반올림해서 그리고, 퍼센트는 반올림하기 전의 값으로 셉니다.
1. 확률: 0 에서 1 사이의 「얼마나 일어날 만한가」
확률은 어떤 일이 얼마나 일어날 만한지를 0 에서 1 사이의 숫자로 적은 것입니다. 0 은 절대 일어나지 않는다, 1 은 반드시 일어난다는 뜻입니다. 0.25 는 같은 일을 아주 많이 되풀이하면 4번에 1번꼴로 일어난다는 뜻입니다. 100 을 곱해 25% 로도 적습니다.
경우마다 일어날 만한 정도가 같으면 세어서 구합니다.
확률 = 그 일이 되는 경우의 수 ÷ 모든 경우의 수
주사위를 한 번 던져 짝수가 나올 확률은 2, 4, 6 의 세 경우라서 3 ÷ 6 = 0.5 입니다.
「짝수가 나온다」, 「병이 있다」처럼 일어날 수도 있고 아닐 수도 있는 일을 사건이라고 부릅니다. 사건 A 의 확률은 P(A) 로 적습니다. P 는 probability(확률)의 첫 글자입니다.
2. 확률의 기본 규칙
| 규칙 | 식 | 주사위로 본 예 |
|---|---|---|
| 0 에서 1 사이 | 0 ≤ P(A) ≤ 1 | 7 이 나올 확률은 0. 1~6 가운데 하나가 나올 확률은 1 |
| 여사건(일어나지 않을 확률) | P(A 아님) = 1 − P(A) | 6 이 아닐 확률 = 1 − 1/6 = 5/6 |
| 또는 | P(A 또는 B) = P(A) + P(B) − P(A 그리고 B) | 짝수 또는 4 이상: 3/6 + 3/6 − 2/6 = 4/6. 4 와 6 은 두 번 세었으니 한 번 뺀다 |
| 곱셈 규칙 | P(A 그리고 B) = P(B) × P(A|B) | 4 이상이면서 짝수: 3/6 × 2/3 = 2/6. 4 이상(4, 5, 6) 가운데 짝수는 둘이다 |
| 독립일 때의 곱셈 | P(A 그리고 B) = P(A) × P(B) | 주사위 두 개가 모두 6: 1/6 × 1/6 = 1/36 |
P(A|B) 는 다음 절의 조건부 확률입니다. 「B 일 때 A 의 확률」이라고 읽습니다.
독립은 하나를 알아도 다른 하나의 확률이 바뀌지 않는다는 뜻입니다. 식으로는 P(A|B) = P(A). 주사위 두 개는 서로 영향을 주지 않으니 독립입니다. 그래서 곱셈 규칙이 그냥 곱하기가 됩니다.
「짝수」와 「4 이상」은 독립이 아닙니다. P(짝수) 는 1/2 인데, 4 이상이라는 것을 알면 2/3 로 바뀝니다. 독립이 아닌데 그냥 곱하면 틀립니다. 1/2 × 1/2 = 1/4 이지만 실제로 4 이상이면서 짝수일 확률은 2/6 입니다.
3. 조건부 확률: 이미 무엇을 알 때
조건부 확률은 이미 무엇을 알 때의 확률입니다. B 가 일어났다는 것을 알 때 A 가 일어날 확률을 P(A|B) 로 적습니다. 세로 막대 | 의 오른쪽이 이미 아는 것입니다.
아는 것이 생기면 세는 범위가 좁아집니다. B 가 아닌 경우는 버리고, B 인 경우만 남겨 그 안에서 A 를 셉니다. 식으로 적으면 이렇습니다.
P(A|B) = P(A 그리고 B) ÷ P(B)
P(B) 로 나누는 것이 「B 인 경우만 남기고 다시 센다」는 뜻입니다. P(B) 가 0 이면 B 인 경우가 없으니 정할 수 없습니다.
위 실험의 처음 화면으로 셉니다. 1000명 가운데 양성은 60명이고, 양성이면서 병이 있는 사람은 10명입니다.
P(병|양성) = (10/1000) ÷ (60/1000) = 10 ÷ 60 ≈ 0.167
「양성인 사람만 보기」가 바로 이 일입니다. 양성이 아닌 940명을 지우고, 남은 60명 안에서 셉니다. 거꾸로 P(양성|병) 은 병이 있는 사람만 남겨 그 안에서 양성을 셉니다. 이것이 민감도이고, 99% 입니다.
해 볼 것. ① 처음 값(유병률 1%, 민감도 99%, 특이도 95%)에서 「양성인 사람만 보기」를 누르면 60명이 남고, 그 가운데 병이 있는 사람은 10명입니다. 약 16.7% 입니다. ② 유병률을 20% 로 올리면 양성 238명 가운데 198명이 병이 있어 83.2% 가 됩니다. 같은 검사라도 병이 흔하면 양성을 더 믿을 수 있습니다. ③ 유병률을 1% 로 되돌리고 특이도를 99% 로 올리면 양성 20명 가운데 10명, 50% 가 됩니다. 드문 병에서는 가짜 양성을 줄이는 것이 크게 듣습니다. ④ 유병률을 0 으로 내리면 양성 50명이 모두 가짜 양성이고, 양성이어도 병일 확률은 0% 입니다.
4. 베이즈 정리: 증거를 보고 믿음을 고치는 셈법
곱셈 규칙은 어느 쪽을 먼저 놓아도 맞습니다.
P(A 그리고 B) = P(A) × P(B|A) = P(B) × P(A|B)
오른쪽 두 식을 P(B) 로 나누면 베이즈 정리가 나옵니다.
P(A|B) = P(A) × P(B|A) ÷ P(B)
A 를 「병이 있다」, B 를 「양성이 나왔다」로 바꿔 읽으면 이렇습니다.
P(병|양성) = P(병) × P(양성|병) ÷ P(양성)
쉬운 말로 하면 원래 믿음 × 그 경우에 이 증거가 나올 확률 ÷ 이 증거가 나올 전체 확률 = 증거를 본 뒤의 믿음입니다.
이 식이 사람 1000명 그림 위에서 한 조각씩 만들어지는 모습은 바로 아래 식이 만들어지는 과정에서 봅니다.
| 식의 부분 | 이름 | 뜻 | 검사 예 |
|---|---|---|---|
P(병) | 사전 확률 | 증거를 보기 전의 믿음 | 유병률 1% |
P(양성|병) | 가능도 | 그 경우가 맞다면 이 증거가 나올 확률 | 민감도 99% |
P(양성) | 증거의 전체 확률 | 병이 있든 없든, 양성이 나올 확률을 모두 더한 것 | 0.0594 |
P(병|양성) | 사후 확률 | 증거를 본 뒤 고친 믿음 | 약 16.7% |
나누는 쪽 P(양성) 은 양성이 나오는 두 길을 더해 구합니다. 병이 있어서 양성이 나오는 길과, 병이 없는데 양성이 나오는 길입니다.
P(양성) = P(병) × P(양성|병) + P(병 없음) × P(양성|병 없음)
P(양성|병 없음) 은 병이 없는 사람이 잘못 양성을 받는 비율이라 1 − 특이도 입니다. 처음 값이면 0.01 × 0.99 + 0.99 × 0.05 = 0.0099 + 0.0495 = 0.0594 입니다.
식이 만들어지는 과정: 베이즈 정리
위의 식을 사람 1000명 그림 위에서 한 조각씩 조립합니다. 단계마다 식에 한 줄이 붙고, 그 줄이 세는 사람들이 그림에서 진해집니다. 숫자는 5절 넓이 그림의 처음 값(유병률 10%, 민감도 90%, 특이도 80%)입니다. 이 값이면 사람 수가 모두 딱 떨어집니다. 맨 위 실험의 처음 값(유병률 1%)으로 세면 9.9명처럼 사람이 쪼개져 그림으로 나눠 보일 수 없습니다.
「다음」을 누르면 한 단계씩 넘어갑니다. 위에 식이 한 줄씩 붙고(주황 바탕이 이번에 붙은 줄), 그 줄이 세는 사람들이 진해지고, 아래에 까닭이 나옵니다. 모양은 맨 위 실험과 같습니다. 동그라미는 병이 있는 사람, 네모는 병이 없는 사람, 속이 찬 것은 양성입니다. 이 그림의 값은 바꿀 수 없습니다. 값을 바꿔 보려면 맨 위 실험을 쓰세요.
정리하면 분자는 「병이 있고 양성」인 사람의 몫, 분모는 양성인 사람 전체의 몫입니다. 둘 다 1000명에 대한 몫이라 나누면 1000 이 지워지고, 「양성인 사람 가운데 병이 있는 사람의 몫」만 남습니다. 검사 문제에서는 보통 P(양성) 이 바로 주어지지 않고 유병률·민감도·특이도가 주어집니다. 그래서 ③·④ 처럼 양성이 나오는 두 길을 따로 세어 더합니다.
5. 넓이로 보기
베이즈 식은 넓이로 그리면 한눈에 보입니다. 한 변이 1 인 정사각형의 넓이는 1 입니다. 모든 경우를 이 넓이 1 에 담습니다.
- 가로를 사전 확률로 나눕니다. 왼쪽 기둥은 병이 있음(폭 P(병)), 오른쪽 기둥은 병이 없음(폭 1 − P(병))입니다.
- 기둥마다 세로를 그 기둥 안의 조건부 확률로 나눕니다. 위는 양성, 아래는 음성입니다.
- 칸 하나의 넓이 = 가로 × 세로 = 「그 무리일 확률」입니다. 곱셈 규칙 그대로입니다.
막대를 끌거나 숫자를 고쳐 보세요. 맨 위 실험과 따로 움직입니다. 칸이 좁으면 칸 이름을 쓰지 않습니다. 숫자는 설명 줄에 있습니다.
초록 넓이(진짜 양성)가 식의 분자 P(병) × P(양성|병) 입니다. 검은 테두리 안, 곧 초록과 주황(가짜 양성)을 합한 넓이가 분모 P(양성) 입니다. 사후 확률은 「양성 넓이 가운데 초록의 몫」입니다. 그림 아래 막대는 양성 넓이만 떼어 한 줄로 편 것입니다.
해 볼 것. ① 처음 값(유병률 10%, 민감도 90%, 특이도 80%)은 분자 0.09, 분모 0.09 + 0.18 = 0.27, 사후 확률 33.3% 입니다. ② 유병률을 1% 로 내리면 초록 기둥이 실처럼 가늘어지고 사후 확률은 4.3% 가 됩니다. 주황 넓이는 0.18 에서 0.198 로 거의 그대로입니다. ③ 특이도를 100% 로 올리면 주황이 사라지고 사후 확률이 100% 가 됩니다. 가짜 양성이 없는 검사에서는 양성이면 반드시 병입니다.
6. 손으로 따라 풀기: 1000명으로 세기
맨 위 실험의 처음 값(유병률 1%, 민감도 99%, 특이도 95%)을 사람 1000명으로 바꿔 셉니다. 확률보다 사람 수가 머리에 잘 들어옵니다.
- 병이 있는 사람. 1000 × 1% = 10명. 병이 없는 사람은 990명입니다.
- 병이 있는 10명의 결과. 10 × 99% = 9.9명이 양성(진짜 양성), 0.1명이 음성(가짜 음성)입니다. 그림에서는 반올림해 10명과 0명입니다.
- 병이 없는 990명의 결과. 990 × 95% = 940.5명이 음성(진짜 음성), 나머지 990 × 5% = 49.5명이 양성(가짜 양성)입니다. 그림에서는 940명과 50명입니다.
- 양성은 모두 9.9 + 49.5 = 59.4명, 약 60명입니다.
- 양성 가운데 병이 있는 사람의 몫. 9.9 ÷ 59.4 ≈ 0.167. 반올림한 사람 수로는 10 ÷ 60 = 1/6 입니다.
- 식으로 확인.
P(병|양성) = 0.01 × 0.99 ÷ (0.01 × 0.99 + 0.99 × 0.05) = 0.0099 ÷ 0.0594 ≈ 0.167
검사는 병이 있는 사람의 99% 를 잡아냅니다. 그런데 양성의 약 83% 는 가짜입니다. 병이 없는 사람이 99배 많아서, 5% 의 작은 실수도 사람 수로는 진짜 양성(9.9명)의 다섯 배(49.5명)가 됩니다.
7. 흔한 실수: P(A|B) 와 P(B|A) 를 바꿔 읽기
P(양성|병) = 99% 와 P(병|양성) ≈ 16.7% 는 다른 질문의 답입니다. 앞은 병이 있는 사람 안에서 세고, 뒤는 양성인 사람 안에서 셉니다. 나누는 쪽이 다릅니다. 「검사가 99% 잡아내니 양성이면 99% 병이다」는 이 둘을 바꿔 읽은 것입니다.
일상의 예입니다. 비가 오면 하늘에 구름이 있을 확률은 거의 1 입니다. 그렇다고 구름이 있을 때 비가 올 확률이 거의 1 인 것은 아닙니다. 구름 낀 날이 비 오는 날보다 훨씬 많기 때문입니다.
둘은 베이즈 식으로 이어져 있습니다. P(A|B) ÷ P(B|A) = P(A) ÷ P(B). 그래서 P(A) 와 P(B) 가 같을 때만 바꿔 읽어도 됩니다. 검사 예에서는 P(병) = 0.01, P(양성) = 0.0594 라서 P(병|양성) 은 P(양성|병) 의 약 1/6 입니다.
이 실수는 사전 확률(유병률)을 빼먹을 때 생깁니다. 재판에서 「죄가 없는 사람이 이 증거와 우연히 맞을 확률은 아주 작다」를 「이 사람이 죄가 없을 확률은 아주 작다」로 바꿔 읽는 것도 같은 실수입니다. 책에서는 prosecutor's fallacy(검사의 오류. 여기의 검사는 재판의 검사입니다)라고 부릅니다.
8. 증거를 거듭 보기
한 번 증거를 보고 고친 믿음(사후 확률)은 다음 증거를 볼 때의 사전 확률이 됩니다. 같은 검사를 한 번 더 해서 또 양성이 나오면, 이번에는 1% 가 아니라 16.7% 에서 출발해 같은 식으로 셉니다.
「양성 한 번 더」를 누를 때마다 한 줄씩 늘어납니다. 막대 길이가 그때의 사후 확률입니다. 여섯 번까지 볼 수 있습니다. 막대 값을 바꾸면 지금까지의 줄이 모두 새 값으로 다시 셈해집니다.
비로 보면 곱하기 하나. 확률 대신 「병 : 병 아님」의 비로 적으면 셈이 더 간단합니다. 양성이 한 번 나올 때마다 이 비에 민감도 ÷ (1 − 특이도) 를 곱합니다. 이 값을 가능도 비라고 부릅니다. 처음 값이면 0.99 ÷ 0.05 = 19.8 입니다. 비가 a : b 이면 확률은 a ÷ (a + b) 입니다.
| 언제 | 「병 : 병 아님」 | 확률 |
|---|---|---|
| 검사 전 | 1 : 99 | 1% |
| 양성 1번 | 19.8 : 99 = 1 : 5 | 1 ÷ 6 ≈ 16.7% |
| 양성 2번 | 19.8 : 5 = 3.96 : 1 | 3.96 ÷ 4.96 ≈ 79.8% |
| 양성 3번 | 78.4 : 1 | 78.4 ÷ 79.4 ≈ 98.7% |
독립이라는 가정. 이 셈은 두 검사가 서로 독립이라고 봅니다. 병이 있는지 없는지가 같다면, 첫 결과가 둘째 결과에 영향을 주지 않는다는 뜻입니다. 같은 사람에게 같은 검사를 다시 하면, 첫 번째를 틀리게 만든 까닭이 그대로 남아 또 틀릴 수 있습니다. 그러면 둘째 양성이 주는 정보는 이 셈보다 적습니다. 다른 원리의 검사로 다시 확인하는 까닭 가운데 하나입니다.
해 볼 것. ① 처음에는 검사 전 1% 와 양성 1번 뒤 16.7% 가 보입니다. 「양성 한 번 더」를 누를 때마다 79.8%, 98.7%, 99.9% 로 오릅니다. ② 특이도를 80% 로 내리면 가능도 비가 4.95 로 줄어, 양성을 세 번 받아도 55.1% 입니다. ③ 특이도를 100% 로 올리면 양성 한 번에 100% 가 됩니다. ④ 민감도와 특이도를 둘 다 50% 로 두면 몇 번을 눌러도 1% 그대로입니다. 병이 있든 없든 양성이 나올 확률이 같은 검사는 아무것도 알려 주지 않습니다.
9. 꼭 알아 둘 성질
| 성질 | 쉬운 말 | 어디서 보나 |
|---|---|---|
P(A|B) 와 P(B|A) 는 보통 다르다 | 무엇 안에서 세느냐가 다르다. 둘의 비는 P(A) ÷ P(B) | 7절 |
| 사전 확률이 작으면 양성도 믿기 어렵다 | 드문 일을 찾을 때는 가짜 양성이 진짜보다 많아지기 쉽다. 특이도가 아주 높아야 한다 | 실험 1 의 ②, ③ |
| 사전 확률이 0 이나 1 이면 바뀌지 않는다 | 처음부터 불가능하다고(또는 확실하다고) 믿으면 어떤 증거로도 바뀌지 않는다 | 실험 1 의 ④ |
| 가능도가 같으면 믿음도 그대로 | P(양성|병) = P(양성|병 없음) 이면 그 결과는 아무것도 알려 주지 않는다 | 8절 실험의 ④ |
| 오늘의 사후 확률 = 내일의 사전 확률 | 증거를 하나씩 보며 고쳐도, 한꺼번에 봐도 같은 답이 나온다(증거끼리 독립일 때) | 8절 실험 |
어디에 쓰나
- 스팸 필터(나이브 베이즈). 낱말마다 「스팸 메일에 이 낱말이 나올 확률」과 「보통 메일에 나올 확률」을 미리 세어 둡니다. 새 메일이 오면 스팸일 사전 확률에서 시작해, 낱말 하나하나를 증거로 보고 8절 실험처럼 거듭 고칩니다. 스팸인지 아닌지가 정해지면 낱말끼리 서로 독립이라고 「순진하게(naive)」 가정해서 나이브 베이즈라고 부릅니다. 실제 낱말은 독립이 아니지만, 글 분류와 스팸 걸러내기에서 잘 맞아 온 방법으로 알려져 있습니다(scikit-learn 문서).
- 의료 검사 읽기. 양성 결과의 뜻은 검사의 민감도와 특이도만으로 정해지지 않습니다. 검사 전에 병이 있을 가능성(사전 확률)이 같이 들어갑니다. 증상이 있어 검사한 사람은 사전 확률이 높아서 같은 양성도 더 믿을 만합니다. 증상이 없는 많은 사람을 한꺼번에 검사하면 가짜 양성이 많이 나옵니다. 확률 대신 「1000명 가운데 몇 명」으로 적으면 사람들이 이 셈을 훨씬 잘 한다는 연구가 있습니다(출처의 Gigerenzer, Hoffrage).
- A/B 시험. 화면 A 와 B 가운데 어느 쪽이 더 많이 눌리는지 비교할 때, 「B 의 클릭률이 A 보다 높을 확률」을 직접 구하는 방법이 있습니다. 클릭률이 얼마쯤일지에 대한 사전 믿음에서 시작해, 방문자의 누름과 안 누름을 증거로 보고 베이즈 정리로 고칩니다. 그래서 「B 가 나을 확률이 몇 %」처럼 바로 읽히는 답이 나옵니다.
- 언어 모델. 언어 모델은 앞의 글을 조건으로 다음 낱말(토큰. 낱말이나 낱말 조각)의 조건부 확률
P(다음 낱말 | 앞의 글)을 냅니다. 「오늘 날씨가」 뒤에 「맑다」가 올 확률, 「춥다」가 올 확률처럼 모든 낱말에 확률을 매깁니다. 글 전체의 확률은 곱셈 규칙으로 이 조건부 확률들을 차례로 곱한 것입니다. 이 확률에서 다음 낱말을 하나 고르는 법은 샘플링 쪽에서 봅니다.
자주 묻는 것
조건부 확률은 그냥 확률과 무엇이 다른가요?
그냥 확률은 모든 경우 안에서 셉니다. 조건부 확률 P(A|B) 는 B 가 일어난 경우만 남기고 그 안에서 A 를 셉니다. 식으로는 P(A 그리고 B) ÷ P(B) 입니다.
99% 잡아내는 검사에서 양성이 나왔는데, 왜 병일 확률이 낮을 수 있나요?
병이 드물면 병이 없는 사람이 훨씬 많아서, 작은 비율의 가짜 양성도 사람 수로는 진짜 양성보다 많아지기 때문입니다. 유병률 1%, 민감도 99%, 특이도 95% 이면 양성인 사람 가운데 병이 있는 사람은 약 17% 입니다.
사전 확률은 어디서 정하나요?
자료가 있으면 자료에서 정합니다. 검사라면 검사받는 무리의 유병률, 스팸 필터라면 지금까지 받은 메일 가운데 스팸의 몫입니다. 자료가 없으면 여러 값으로 셈해 보고 결론이 얼마나 바뀌는지 봅니다. 사전 확률이 0 이나 1 이 아니면, 증거가 쌓일수록 사전 확률의 영향은 줄어듭니다.
독립과 「서로 겹치지 않음」은 같은 말인가요?
다릅니다. 겹치지 않는 두 사건은 하나가 일어나면 다른 하나는 일어날 수 없습니다. 하나를 알면 다른 하나를 알게 되니 오히려 강하게 엮여 있습니다. 독립은 하나를 알아도 다른 하나의 확률이 그대로인 것입니다. 둘 다 확률이 0 보다 크면, 겹치지 않는 두 사건은 독립일 수 없습니다.
P(A|B) 와 P(B|A) 는 언제 같나요?
A 와 B 가 함께 일어날 수 있다면(P(A 그리고 B) 가 0 보다 크면), P(A) 와 P(B) 가 같을 때뿐입니다. 베이즈 정리에서 P(A|B) ÷ P(B|A) = P(A) ÷ P(B) 이기 때문입니다.
낱말
| 여기서 쓴 말 | 책에서 부르는 말 |
|---|---|
| 얼마나 일어날 만한가 | 확률(probability) |
| 일어날 수도 있고 아닐 수도 있는 일 | 사건(event) |
| A 가 일어나지 않음 | 여사건(complement) |
| A 그리고 B | 곱사건, 교집합(intersection). A ∩ B 로 적는다. 그 확률은 결합 확률(joint probability) |
| A 또는 B | 합사건, 합집합(union). A ∪ B 로 적는다 |
| B 일 때 A 의 확률 | 조건부 확률(conditional probability) |
| 하나를 알아도 다른 하나가 그대로 | 독립(independent) |
| 서로 겹치지 않음 | 배반(mutually exclusive) |
| 증거를 보기 전의 믿음 | 사전 확률(prior probability) |
| 그 경우에 이 증거가 나올 확률 | 가능도, 우도(likelihood) |
| 증거를 본 뒤 고친 믿음 | 사후 확률(posterior probability) |
| 증거의 전체 확률 | 주변 확률(marginal probability), 증거(evidence). 두 길을 더해 구하는 규칙은 전체 확률의 법칙(law of total probability) |
| 병이 있는 비율 | 유병률(prevalence), 기저율(base rate) |
| 병이 있을 때 양성이 나올 확률 | 민감도(sensitivity), 참 양성률(true positive rate) |
| 병이 없을 때 음성이 나올 확률 | 특이도(specificity), 참 음성률(true negative rate) |
| 양성일 때 병이 있을 확률 | 양성 예측도(positive predictive value, PPV) |
| 진짜 양성, 가짜 양성, 가짜 음성, 진짜 음성 | true positive, false positive, false negative, true negative. 가짜 양성은 위양성, 가짜 음성은 위음성이라고도 한다 |
| 「병 : 병 아님」의 비 | 오즈(odds) |
| 민감도 ÷ (1 − 특이도) | 양성 가능도 비(positive likelihood ratio) |
| 사전 확률을 빼먹는 실수 | 기저율 무시(base rate neglect, base rate fallacy) |
| 낱말끼리 독립이라고 보는 베이즈 분류기 | 나이브 베이즈(naive Bayes) |
출처
- Thomas Bayes, An Essay towards solving a Problem in the Doctrine of Chances, Philosophical Transactions of the Royal Society of London (1763). 베이즈 정리의 처음 글. 그가 죽은 뒤 Richard Price 가 보내 실렸습니다.
- Gerd Gigerenzer, Ulrich Hoffrage (1995). How to improve Bayesian reasoning without instruction: Frequency formats. Psychological Review. 확률 대신 사람 수(빈도)로 적으면 베이즈 셈이 쉬워진다는 연구.
- MIT OCW 18.05 Introduction to Probability and Statistics. 조건부 확률, 베이즈 정리, 베이즈 추론.
- scikit-learn: Naive Bayes. 나이브 베이즈의 가정과 쓰임.
- Bengio, Ducharme, Vincent, Jauvin (2003). A Neural Probabilistic Language Model. JMLR. 낱말 이어짐의 확률을 「앞의 낱말들이 주어졌을 때 다음 낱말의 조건부 확률」로 나눠 배우는 언어 모델.