如何计算贝叶斯结果

Question

我想计算结果的后验概率，但找不到合适的函数。

这是我的代码，我从here学到的

prior = c(D = .0001, not.D = 1 - .0001)
like.D = c(pos=.99, neg=.01)
like.not.D = c(pos=.01, neg=.99)
likelihood = rbind(D = like.D, not.D = like.not.D)
data="pos"
bayes(prior, likelihood, data)

但我找不到“贝叶斯”的功能，所以我希望有人帮助我。

Answer 1

该功能的链接（在您提供的链接上）似乎已失效，因此您需要联系页面作者。在这种情况下，计算起来并不困难，因为 posterior =似然*先验。所以只需通过乘以表格来计算。似乎您想要的计算是给定 pos 可能性（测试？）的 D（疾病？）的概率

> joint = likelihood * prior
> # marginalise to calculate posterior (need to normalise)
> cs = colSums(joint)
> joint[,"pos"] / cs["pos"]
          D       not.D 
0.009803922 0.990196078 

作为替代方案，您可以使用 gRain 包将其构建为贝叶斯网络（疾病 -> 测试）

> library(gRain)
> d = cptable(~disease, values = prior, levels=names(prior))
> tt = cptable(~test+disease, values=t(likelihood), levels=colnames(likelihood))
> net = grain(compileCPT(list(d, tt)))
> net2 = setEvi(net, evidence=list(test="pos"))
> querygrain(net2)
$disease
disease
          D       not.D 
0.009803922 0.990196078