タグ検索の該当結果が少ないため、タイトル検索結果を表示しています。
偽陽性者が1人出るかどうかという数字になります。 「日本人全員を対象にした大規模PCR検査をしろ」なんてことを言ってる人は、ほとんどいないと思うのですが罹患率0.005%というおかしな仮定で計算しています。 それにしてもこの人は凄い。 「特異度は感度より高いが、特異度が100％の検査は理論上、存在しない。理由はこうだ。」の後に一切その理由を書いていません。 誰かチェックしないのでしょうか？ EARLの医学ツイート 東北医科薬科大学病院感染症内科 福家良太氏 罹患率0.5%、感度70％、特異度99.997%として計算すると陽性的中率は99.15%です。 計算上ほぼ偽陽性は起こりません。 普通は1度の検査で陽性確定とはしないと思います。 患者への負担が大きい場合、再検査は必ず行うはずです。 この医師はたった1回の検査で確認もせずに重要なことを決定するのでしょうか？ 感染症専門医 岩田健太郎
連載目次 前回は高校で学んだ確率の基礎と条件付き確率をおさらいしました。今回は、その内容を踏まえて、機械学習の基礎として幅広く利用されているベイズの定理についての理解を深めていきたいと思います。前回と今回で取り扱っているトピックは以下の通りです。 前回「確率の基本から条件付き確率までをおさらいしよう」： 【その1】確率の表し方： 目標と解説 【その2】和事象・積事象、排反事象： 目標と解説 【その3】独立と従属、条件付き確率： 目標と解説 今回「機械学習でよく使われる『ベイズの定理』を理解する」： 【その4】ベイズの定理： 目標と解説 【その5】ベイズの定理の展開： 目標と解説 【その6】ベイズ更新： 目標と解説 ベイズの定理は、難しい印象のあるベイズ統計学の基礎の基礎ですが、条件付き確率の乗法公式さえ分かれば、簡単に理解できます。一歩ずつ丁寧に説明していくので、急がずにゆっくりと読み進め
あの「モンティ・ホール問題」で当選率33％が66％になる理由が分かり、生き上手になれる「ベイズの定理」の基礎知識
AIに欠かせない数学を、プログラミング言語Pythonを使って高校生の学習範囲から学び直す本連載『「AI」エンジニアになるための「基礎数学」再入門』。前回は「確率・確率分布」について学びました。今回のテーマである「ベイズの定理」は、そのもう少し高度な内容といえます。ぜひ、前回記事も併せてお読みください。 ベイズってどんな人？ トーマス・ベイズ（Thomas Bayes）は1702～1761年に実在したイギリスの人物です。彼の肩書は異色で、牧師でありながら数学者でもあります。そんな彼は「神の存在を方程式で説明できる」と主張したそうです。ベイズは牧師として活動する傍ら研究を重ね、後に解説する「ベイズの定理」を含む「ベイズ理論」を考案したという偉業を成しています。 ところが、その偉業はベイズの死後である1764年にRプライス（生命保険の創始者の一人）によって発見されました。その後、偉大な物理学者
例題： 日本人の0.01%が罹患しているある病気について考えます。この病気の検査方法では、実際に病気に罹患している人が陽性と判定される確率が95%、逆に罹患していない人が陰性と判定される確率は80%であると言われています。 ある人がこの病気の検査を受けて陽性という判定を受けた時、本当にこの病気に罹患している確率はいくらでしょうか。 検査で陽性になる事象を事象、検査で陰性になる事象を事象（事象Aの余事象）、実際に病気に罹患している事象を事象、罹患していない事象を事象とします。ベイズの定理を使うと、求める確率はとなります。 問題文から、それぞれの確率は次のようになります。 病気に罹患している確率： 病気に罹患していない確率： 実際に罹患している人が検査で陽性となる確率： 実際に罹患していない人が検査で陰性となる確率： 実際に罹患していない人が検査で陽性となる確率： これらの値を①の式に当てはめ
コロナウイルスPCR検査を行う場合に事前確率が低いと考えられる場合には検査を行うべきではないと主張する人達がいます。 その理由としてベイズの定理を用いた計算で事後確率が低くなるからとしています。 本当なのでしょうか？ 動画を説明しますと 有病率0.1％、精度(感度、特異度)99％、10万人に検査を行った場合 本当に病気に罹患している人は100人、罹患していない人は99900人。 本当に病気に罹患している人で陽性と判定される人は99人、陰性と判定される人は1人。 罹患していない人で陽性と判定される人は999人、陰性と判定される人は98901人。 陽性と判定された場合に本当に陽性の確率は99/99+999 = 11/122 = 約9%(事後確率) 従って事前確率が低い場合は検査を行ってはならない。 岩田先生も数字は異なりますが同じようなことを言ってます。 PCR検査の特異度 厚生労働省の資料に
「あつ森」，野村総研の“NRIヨコハマ島”に謎解きクエスト“あつ森で学ぶデータサイエンス ベイズの定理編”が追加 編集部：Gueed eスポーツ事業などを手がけるFusion LLC.は本日（2021年9月8日），野村総合研究所 未来創発センター データサイエンスラボ（以下，NRIデータサイエンスラボ）と共同で，Nintendo Switch用ソフト「あつまれ どうぶつの森」（以下，あつ森）内の「NRIヨコハマ島」（夢番地：DA-9879-3587-0715）に，謎解きクエスト「あつ森で学ぶデータサイエンス ベイズの定理編」を追加したという。 「あつ森で学ぶデータサイエンス」は，NRIデータサイエンスラボがYouTube（※外部リンク）で展開している，あつ森を使ったデータサイエンスの用語解説コンテンツシリーズ。これまで「クッキーレス時代の到来」「機械学習と統計学の関係」「ディープラーニング
本記事は『Pythonで動かして学ぶ！あたらしいベイズ統計の教科書』の「Chapter4 ベイズの定理とベイズ推定」から一部を抜粋したものです。掲載にあたって編集しています。 ベイズの定理の導出 ベイズ統計学において、確率は観察された結果の割合の尺度としてではなく、主観的に事柄（信念）をどの程度信じるかの尺度として扱われます。ベイズ推定の文脈では、データを観測した後にその信念の度合いを更新する規則として、ベイズの定理という規則が使用されます。 ベイズの定理の概要を掴み、条件付き確率P(A|B)とP(B|A)の関係を理解しましょう。AとBの同時確率は以下の2つの式のように、条件付き確率と周辺確率の積で計算できます。 P(A|B)はBが与えられたときのAの条件付き確率を表しています。P(A|B)は必ずしもP(B|A)と同じではありません。AとBの同時確率については次の関係があり、同時確率は（式
確率モデリングのための確率分布の式変形基本【ベイズの定理/グラフィカルモデル】 - HELLO CYBERNETICS
はじめに 確率モデリング 確率変数間の関係性記述 ベイズの定理と条件付き分布 関係性の記述と事後分布の導出 いろいろなパターンの練習 パターン１ パターン2 同時分布とグラフィカルモデル 基本事項 すべて互いに関連 すべて互いに独立 有向グラフ化 関連を断ち切ることによるモデリング 最後に はじめに 確率モデリングでは、複数の確率変数間の関係性を記述するということが必要になります。 そうして確率変数間の関係性を記述したら、あとは観測できているデータは確率変数を所与としてしまい、その観測データの条件付き分布により、他の確率変数の事後分布を表現するということを行います。 この事後分布を求める部分をいわゆる学習と呼び、その後、事後分布を用いて予測したい変数の値を分布として（あるいは分布からのサンプリングとして）出力させることで予測を行います。 しかし、多くの確率モデリングの初学者は、実は確率変数
はじめに 新型コロナウイルス感染症(COVID-19)の感染者数は、中国から世界中に広がり、2020年3月14日現在、感染者145,637名、死者5,436名と大変な数に上っています。しかし、日本の状況をみると、感染者数は734名と、韓国の8086名の9.1%、イタリアの17,660名の4.2%に留まっています。 この明らかな差の理由として指摘されているのが、日本はPCR検査数を絞っているのではないか？という説です。そのため、実際にどれくらい絞っているのか？絞ることの意義は何か？他国は検査しすぎて医療崩壊しているではないか？、など議論を巻き起こしています。 しかし、あまり定量的な議論がなされていないために、テレビやネット等を通じたアバウトな感情論が展開され、正しい理解の妨げになっているように思われます。そこで、本記事では、ベイズの定理に基づいて、PCR検査を絞る意義に焦点を当てて検討してみ
現在、多くの人が使用しているコミュニケーションツールの1つにメールがありますよね。最近は連絡にSNSを使用することが増えていますが、それでもメールは定番の連絡手段として、プライベートや仕事など多くの場面で使用されています。 そのメールに備わっている、いくつかの便利な機能の1つに迷惑メールのフィルタリング機能がありますよね。迷惑メールとは広告・勧誘などの不要なメール。それをフィルタリング機能は、迷惑メールと判定したら指定のフォルダに振り分けてくれます。 そして、この便利なフィルタリング機能の仕組みに使用されているのが、ベイズの定理です。詳しく覚えていなくてもベイズの定理について、学生時代に学んだ記憶がある人もいるかもしれません。そのベイズの定理は、最先端技術のAI（人工知能）の開発技術である機械学習にも応用されています。 しかし、AI（人工知能）に使われているといっても、ベイズの定理の計算自
ここしばらく感情分析を扱ってきましたが、いずれも「感情値辞書」にもとづく方法でした。一方、機械学習をつかった感情値判定も盛んに行われています。 その中でも論理が単純明快で、かつ実用性も認められているナイーブベイズフィルタ（単純ベイズ分類器）を取り上げます。 Python で自然言語処理プログラムを構築するための主要なプラットフォーム NLTK（Natural Language Toolkit） でも提供されていて簡単に行うことができます。 ⑴ ベイズ統計の基礎知識 １. ベイズ統計学小史 ベイズという名称は、18世紀の英国を生きた牧師トーマス・ベイズ（Thomas Bayes, 1702-1761）の名前です。彼が趣味で数学の研究をしていた際に、いわゆる「ベイズの定理」を発見したのは1740年代とされています。その後、フランスの数学者 ピエール＝シモン・ラプラス（Pierre=Simon
流行期のインフルエンザ診断 インフルエンザの季節です。今シーズンもまた，インフルエンザの迅速検査が大量に行われるのでしょう。いくら何でもやり過ぎですが，患者は希望するし，保育園や学校・職場からも依頼されるし，医療機関はもうかるし，という中でそれ以外の要因は無視されがちです。本来は，臨床疫学的なアプローチで判断することが，検査を利用する医師の大きな役割です。その役割を十分果たせるように，インフルエンザの迅速検査の使い方について解説します（全4回連載）。 ［第1回］ベイズの定理と事前確率の見積もり 名郷 直樹（武蔵国分寺公園クリニック院長） 迅速検査を利用するプロの医師として 医師は検査をどう利用するかのプロです。どういう状況でどんな患者に使用して，その結果，どのような判断をするのか，十分理解して，利用できなければいけません。患者の希望があれば検査をして，陽性なら「インフルエンザです」，陰
ramos on Twitter: "【ベイズの定理は検査抑制論に使えない】 むしろ正直に使うとPCR検査一択という答えになるのですが… 検査妨害インフォデミック垢でお馴染みの @mph_for_doctors が「ベイズ！ベイズ！」とまだ言ってるらしく、どうやら彼… https://t.co/ZSq38lX0An"
【ベイズの定理は検査抑制論に使えない】 むしろ正直に使うとPCR検査一択という答えになるのですが… 検査妨害インフォデミック垢でお馴染みの @mph_for_doctors が「ベイズ！ベイズ！」とまだ言ってるらしく、どうやら彼… https://t.co/ZSq38lX0An
j次のブックマーク
k前のブックマーク
lあとで読む
eコメント一覧を開く
oページを開く
ベイズの定理を悪用し、コロナウイルスPCR検査の有用性を否定する医師達｜臨床獣医師の立場から
［AI・機械学習の数学］機械学習でよく使われる「ベイズの定理」を理解する
10-6. ベイズの定理の使い方 | 統計学の時間 | 統計WEB
ベイズの定理を用いてPCR検査の有用性を考える際の注意点｜臨床獣医師の立場から
「あつ森」，野村総研の“NRIヨコハマ島”に謎解きクエスト“あつ森で学ぶデータサイエンス ベイズの定理編”が追加
病気に罹患している確率は？ ベイズの定理で求める方法を解説／『Pythonで動かして学ぶ！』シリーズ
ベイズの定理で理解する新型コロナウイルスへのPCR検査の検査対象を絞る意義 - Qiita
3分ですぐ使えるようになる！ベイズの定理の概要と計算方法まとめ
4. Pythonで考えるベイズ統計 1-1. ナイーブベイズによる感情判定［ベイズの定理］ - Qiita
ベイズの定理と事前確率の見積もり | 2019年 | 記事一覧 | 医学界新聞 | 医学書院
www.u-ryukyu.ac.jp
games.yahoo.co.jp
www.youtube.com
www.asura.blog
comic-earthstar.com
setsuden.info