人類使用說明書》機率與同理心：貝氏定理 | 貝氏定理疫情
對此，貝氏定理（Bayes' theorem）一直是我信賴的夥伴。
此定理是機率理論的一項分支，說明如何使用蒐集而得的證據來推論出不同情況可能的發展。
閱讀全文0信傳媒編輯部2020年12月27日上午8:09·8分鐘(閱讀時間)一段關係剛開始時會有滿滿的新鮮感，長久下來，便會開始期望另一方能聽見自己的心聲。
（圖片來源／Pixabay）一段關係開始萌芽時，還真的算是容易照顧，只要你不會因期望沖昏頭而忽略現實狀況，不妨好好享受這種質樸單純的愉悅。
甫發端的新關係招來滿滿的新鮮感，你沉浸在蜜月期，不過，經過幾週、幾月，演化啟動，現實必定搬進來。
頭幾次約會堪比單細胞生物，後來，你愈來愈認識對方，這單細胞也開始分裂，構造愈見複雜。
我們認識彼此，分享經驗，隨之而來的則是期望─期望一方會知道另一方的心聲，得以回應自己的突發奇想，預先考慮到自己的需求。
蒐集資料推論出不同情況可能的發展大家有時會說一段關係太舒服了，因為雙方不用再對彼此付出適當的關注，但真要說的話，若對彼此付出適當關注，似乎也算是太舒服。
若無知是福，已知則為己任。
蒐羅愈多證據，必須向對方付出的同理心就會快速疊高。
就是在這種時候，在我們應該要了解對方的時候，開始了真正的偵查工作，必須解讀微小的訊號、半暗示，甚至是全然的靜默。
任誰都會覺得這可能是夢魘，但若模稜兩可並非你的強項，你又會把所有聽到的完全以字面解讀，尤其是個夢魘。
亞斯人對於遇見的人，沒有先決條件也沒有先入之見：都是以全新的眼光看待每個人。
我會傾向相信別人對我說的任何話，又無法自然而然從訊號及暗示推論出真正意涵，所以我需要可以克服這缺點的技巧。
對此，貝氏定理（Bayes’theorem）一直是我信賴的夥伴。
此定理是機率理論的一項分支，說明如何使用蒐集而得的證據來推論出不同情況可能的發展。
換句話說，情況一變化，你對於各種機率的估價也會產生變化。
貝氏分析中的起點也不同於古典統計分析。
古典統計分析是由蒐集的資料推論出機率，舉例來說，硬幣是正面還是反面的機率，是根據實驗中投擲的樣本數，但貝氏分析沒那麼簡單，是從一連串的事前假設開始，利用已知事件作為條件來計算機率。
以投擲硬幣為例，已知事件大概包含受試者投擲硬幣的技巧，以及他們可能做了什麼不為人知的事情，影響投擲結果。
貝氏論道，不要只蒐集資料、提出線性結論，還必須參考對該情況所知的一切，放在更廣大的情境下檢視。
用貝氏定理探索各種不確定等等，我聽到你的疑問了。
你說要先梳理目前的證據，但這樣不是和科學研究背道而馳嗎？不是說要讓證據自行呈現結果？這個嘛，確實沒錯，如果假設歪七扭八，解讀證據也會七橫八豎。
不過貝氏定理也具備一股簡單但令人信服的力量：提升我們的眼界，突破狹隘又有時間限制的資料集，讓我們拓展視野，將問題放進容易又注定受忽略的情境下考量。
例如，貝氏分析有助於判定醫學篩檢的誤差：正確率可能百分之九十九的檢驗，並不代表檢驗為陽性後就有百分之九十九罹病的機率，而我們會知道這點，是因為事前就知道偽陽性的盛行率。
貝氏定理協助我們將所知的一切納入考量：若運用得當，可以順利將已知事件及由證據推得的結論化圓為方，完成看似不可能的事─暴露出原有假設中可能的缺陷以及所蒐集資料的限制。
換句話說，貝氏定理教導我們利用證據來改善假設，也利用假設來改善使用證據的方式。
同樣重要的，不僅是我們如何運用事先對情境的了解來解決機率問題，還有取得新證據時如何修正假設。
此稱為條件機率（conditionalprobability），即依據已發生或仍可能發生的事件，判斷特定結果的機率。
我無論何時接觸到新關係、新環境、新工作，只要面對新事物，就會運用貝氏定理來探索各種不確定，調整自己，以利融入不熟悉的文化與慣例，努力排除自己的偏見，認真偵查，不僅依據自己仔細塑造的偏好，也依據似乎能代表此新系統的準則，好好過活。
我上大學時，甚至還拋下亞斯人的噩夢，跑去夜店：沒有任何一位小蜜．彭曾去過的地方，是最深鬱、最漆黑之處。
我手舞足蹈度過。
我還會蒐集必要的背景資料，以便判讀所有我還不熟悉的情境，深究該情境下蘊含的新經驗。
同樣的技巧有助於我們在最近或演進中的關係裡找到落腳處。
假若真的想了解對方，則必須仔細觀察，找出
此定理是機率理論的一項分支，說明如何使用蒐集而得的證據來推論出不同情況可能的發展。
閱讀全文0信傳媒編輯部2020年12月27日上午8:09·8分鐘(閱讀時間)一段關係剛開始時會有滿滿的新鮮感，長久下來，便會開始期望另一方能聽見自己的心聲。
（圖片來源／Pixabay）一段關係開始萌芽時，還真的算是容易照顧，只要你不會因期望沖昏頭而忽略現實狀況，不妨好好享受這種質樸單純的愉悅。
甫發端的新關係招來滿滿的新鮮感，你沉浸在蜜月期，不過，經過幾週、幾月，演化啟動，現實必定搬進來。
頭幾次約會堪比單細胞生物，後來，你愈來愈認識對方，這單細胞也開始分裂，構造愈見複雜。
我們認識彼此，分享經驗，隨之而來的則是期望─期望一方會知道另一方的心聲，得以回應自己的突發奇想，預先考慮到自己的需求。
蒐集資料推論出不同情況可能的發展大家有時會說一段關係太舒服了，因為雙方不用再對彼此付出適當的關注，但真要說的話，若對彼此付出適當關注，似乎也算是太舒服。
若無知是福，已知則為己任。
蒐羅愈多證據，必須向對方付出的同理心就會快速疊高。
就是在這種時候，在我們應該要了解對方的時候，開始了真正的偵查工作，必須解讀微小的訊號、半暗示，甚至是全然的靜默。
任誰都會覺得這可能是夢魘，但若模稜兩可並非你的強項，你又會把所有聽到的完全以字面解讀，尤其是個夢魘。
亞斯人對於遇見的人，沒有先決條件也沒有先入之見：都是以全新的眼光看待每個人。
我會傾向相信別人對我說的任何話，又無法自然而然從訊號及暗示推論出真正意涵，所以我需要可以克服這缺點的技巧。
對此，貝氏定理（Bayes’theorem）一直是我信賴的夥伴。
此定理是機率理論的一項分支，說明如何使用蒐集而得的證據來推論出不同情況可能的發展。
換句話說，情況一變化，你對於各種機率的估價也會產生變化。
貝氏分析中的起點也不同於古典統計分析。
古典統計分析是由蒐集的資料推論出機率，舉例來說，硬幣是正面還是反面的機率，是根據實驗中投擲的樣本數，但貝氏分析沒那麼簡單，是從一連串的事前假設開始，利用已知事件作為條件來計算機率。
以投擲硬幣為例，已知事件大概包含受試者投擲硬幣的技巧，以及他們可能做了什麼不為人知的事情，影響投擲結果。
貝氏論道，不要只蒐集資料、提出線性結論，還必須參考對該情況所知的一切，放在更廣大的情境下檢視。
用貝氏定理探索各種不確定等等，我聽到你的疑問了。
你說要先梳理目前的證據，但這樣不是和科學研究背道而馳嗎？不是說要讓證據自行呈現結果？這個嘛，確實沒錯，如果假設歪七扭八，解讀證據也會七橫八豎。
不過貝氏定理也具備一股簡單但令人信服的力量：提升我們的眼界，突破狹隘又有時間限制的資料集，讓我們拓展視野，將問題放進容易又注定受忽略的情境下考量。
例如，貝氏分析有助於判定醫學篩檢的誤差：正確率可能百分之九十九的檢驗，並不代表檢驗為陽性後就有百分之九十九罹病的機率，而我們會知道這點，是因為事前就知道偽陽性的盛行率。
貝氏定理協助我們將所知的一切納入考量：若運用得當，可以順利將已知事件及由證據推得的結論化圓為方，完成看似不可能的事─暴露出原有假設中可能的缺陷以及所蒐集資料的限制。
換句話說，貝氏定理教導我們利用證據來改善假設，也利用假設來改善使用證據的方式。
同樣重要的，不僅是我們如何運用事先對情境的了解來解決機率問題，還有取得新證據時如何修正假設。
此稱為條件機率（conditionalprobability），即依據已發生或仍可能發生的事件，判斷特定結果的機率。
我無論何時接觸到新關係、新環境、新工作，只要面對新事物，就會運用貝氏定理來探索各種不確定，調整自己，以利融入不熟悉的文化與慣例，努力排除自己的偏見，認真偵查，不僅依據自己仔細塑造的偏好，也依據似乎能代表此新系統的準則，好好過活。
我上大學時，甚至還拋下亞斯人的噩夢，跑去夜店：沒有任何一位小蜜．彭曾去過的地方，是最深鬱、最漆黑之處。
我手舞足蹈度過。
我還會蒐集必要的背景資料，以便判讀所有我還不熟悉的情境，深究該情境下蘊含的新經驗。
同樣的技巧有助於我們在最近或演進中的關係裡找到落腳處。
假若真的想了解對方，則必須仔細觀察，找出