贝叶斯算法解析.pptVIP

LOGO LOGO 贝叶斯算法 贝叶斯算法 贝叶斯算法概况简介 1 贝叶斯算法的主要步骤 2 贝叶斯算法举例 3 贝叶斯算法的应用 4 贝叶斯算法概况简介 贝叶斯是基于概率的一种算法，是Thomas Bayes：一位伟大的数学大师所创建的。 Thomas Bayes(1702-1763)是一位英国牧师数学家，他发表了贝叶斯统计理论，即根据已经发生的事件来预测事件发生的可能性。 贝叶斯理论假设：如果事件的结果不确定，那么量化它的唯一方法就是事件的发生概率；如果过去试验中事件的出现率已知，那么根据数学方法可以计算出未来试验中事件出现的概率。 ＊ ＊ P(AB)=P(A)P(B|A)=P(B)P(A|B) （即事件A和事件B同时发生的概率等于在发生A的条件下B发生的概率乘以A的概率） 贝叶斯算法概况简介 贝叶斯公式 P(B|A)=P(A|B)P(B)/P(A) （即已知P(A|B)，P(A)和P(B)可以计算出P(B|A)） 贝叶斯算法概况简介 贝叶斯公式： P(A|B)=P(B|A)P(A)/P(B) P(A)称为先验概率（Prior probability），即在B事件 发生之前，我们对A事件概率的一个判断。 P(A|B)称为后验概率（Posterior probability），即在B事件发生之后，我们对A事件概率的重新评估。P(B|A)/P(B)称为可能性函数（Likelyhood），这是一个调整因子，使得预估概率更接近真实概率。 于是贝叶斯定理可以描述为： 后验概率 = 标准似然度 * 先验概率 贝叶斯算法的主要步骤 背景及问题分析 模型检验 模型建立 模型评价 医患诊断模型 贝叶斯算法举例 医患诊断模型 背景及问题分析 1 7岁女孩晓宇患急性支气管炎，在武汉市儿童医院住院4天，医生为确诊病情，为她抽血化验了32个指标，仅化验费就花费1130元。晓宇的家长质疑：医院如此看病，是过度检查。晓宇的接诊医生李志超说：“晓宇入院时,根据其家长自述病情，我认为孩子的情况有些严重,于是确定了上述化验指标”。 该院四内科副主任李医生说：在当时情况下,李志超对患者的病情判断、以及开出的化验指标，都是有道理的。但如果是我接诊，会以自己的经验有针对性地进行化验检查,可能不会一下开出这么多化验指标。该科主任温玟莉主任医师称：一次抽血化验32个指标，是因为李志超当时怀疑孩子得了败血症，这样处理没有问题。但最后的检查结果并不是败血症，这只能说明李志超较年轻，缺乏丰富的临床经验，只有通过全面检查才能确诊。 贝叶斯算法举例 医患诊断模型 在医患关系紧张，看病难、看病贵的现实情况下，我们应如何看待这个颇有争议的案例，医生看病是应该有针对性地开方,还是列出“算法式”的化验指标进行排查，本研究以贝叶斯公式为依据，从中国现行的医疗体制出发,对此类问题进行了有益的探索，以期建立一种定量化的诊断模型。 设“患者有某种病症”为事件A，引起事件A的病因为样本空间Ω。B1，B2，…Bn为Ω的一个分划，即Bi∩Bj=Φ，i≠j,Ｕni=1Bi=Ω，并假定P(Bi)0。 由贝叶斯公式，由某病因引起事件A的概率为： P（Bi|A)=P(Bi)P(A|Bi)公式为医生有针对性地确诊提供了参考。 在疹疗过程中，医生要根据临床经验对各种病因Bi进行权衡。 贝叶斯算法举例 医患诊断模型 模型建立 2 如果误诊，则有可能承担相应的医疗事故风险，相应的误诊概率记为P′(Bi)，并设因可能承担风险而承担的赔偿费用为C′i，患者承担医生针对病因Bi开出的疹疗方案的费用为Ci，于是在一次诊治过程中： 患者承担的平均费用为： E(A)=ni=P(Bi)Ci 医生可能承担的平均赔偿金额为： E′(A)=ni=P′(Bi)C′i 我们称该模型为诊断模型，并以δ1≤E(A)-E′(A)≤δ2为标准来衡量诊断方案的合理性，其中δ1≥0,δ2为某一不是特别大的正数。即患者所承担的平均医疗费用应比医生可能承担的平均赔偿金要多，但两者不应差别太大。 贝叶斯算法举例 医患诊断模型 贝叶斯算法举例 医患诊断模型 模型检验 3 以发热和上腹疼痛两个病症的相关数据对该模型进行检验。 设原假设为H0：诊断是合理的。 备择假设为H1，诊断合理与否需要进一步考查。 设“发热症状”为事件A1，“上腹疼痛症状”为事件A2，c查表计算可得(四舍五入精确到元)： E（A1）=121，E′（A1）=187165； E（A2）=265，E′（A2）=22232 我们会发现：原假设H0诊断是合理的。 这些数据告诉我们医生这个职业的确是个高风险的职业，在中国建立医疗责任保险制度有着必