贝叶斯溯因推理

一个好的解释，不能只是说得通、符合事实；它还需要有合理的初始概率。假设你听到的蹄声可能来自马，也可能来自斑马；如果两种解释都同样能预测这种声音，而当地的马比斑马常见得多，那么声音来自马的可能性就更大。贝叶斯推理会结合这些初始判断，以及每种解释成立时出现这些证据的可能性；溯因推理则帮助你考虑可能的解释。

想一想：什么证据会让你改变想法，不再支持目前最看好的解释？

先考虑有哪些解释，再做选择

溯因推理关注如何寻找和评估解释。贝叶斯推理则随着新证据的出现更新概率。两者是相关的工具，但不能混为一谈，也不能保证每个看起来有说服力的解释都很可能成立。一个实用的做法是：列出合理的候选解释，想想每个解释会预测什么，再把这些预测与证据进行比较。

权衡两个不同的问题

先验概率，是指在考虑当前证据之前，一个假设有多大可能成立。似然，是指如果这个假设成立，出现当前证据的可能性有多大。后验概率，则是结合两者后更新的概率。一个解释即使很符合观察结果，如果它的初始概率低得多，仍可能不如另一个解释可信。反过来，如果证据足够有辨别力，也能扭转最初很低但不为零的先验概率。

用具体例子理解这个区别

假设一台设备无法启动。电池没电和开关故障都能解释这个现象。这两类故障各有多常见，有助于形成初始判断；如果额外测试得到的结果在开关故障的假设下不太可能出现，就可能让判断更偏向电池没电。这个假想例子展示了如何更新判断；最佳诊断取决于实际测试和其他可能的解释，不能仅凭哪种故障最常见来决定。

寻找能区分候选解释的证据

与其不断搜集符合你最看好的解释的细节，不如问问自己：哪种观察结果在一个候选解释下比在另一个解释下更可能出现？以一个假想的邮件过滤器为例，垃圾邮件出现的频率提供了初始信息，邮件中的内容模式则提供了额外证据。如果把某一个词当作定论，就会忽略其中的不确定性，以及正常邮件也可能使用这个词的情况。

随时考虑其他假设

这些概率比较的是模型中包含的候选解释。如果遗漏了某个解释，或对似然的设定不合理，结论就可能误导你。简洁性可以帮助你寻找解释，但更简单的说法并不一定就是真的。当证据指向问题时，你需要重新检查候选解释和自己的假定。

本课将假设比较与概率更新结合起来，但并不把所有寻求解释的推理都视为贝叶斯计算。

• Tenenbaum 等人（2011）介绍了贝叶斯模型：后验概率取决于先验概率与似然的乘积，并在所考虑的假设范围内进行归一化处理；他们的综述解释了结构化的先验知识如何帮助我们从少量数据中学习。[1]
• Douven 的《溯因推理》词条（2011 年存档版）区分了解释性推断与演绎推理，并讨论了对“最佳解释推理”的不同表述方式。文中强调，溯因推理的确切形式，以及它在规范层面是否合理，仍存在争议。[2]

先验概率和似然都可能设定不当，现有假设也可能遗漏真正的原因。错误的先验并不一定会让错误不断加深：信息足够充分的证据，可以显著改变一个非零的先验概率。在固定模型内进行通常的条件化更新时，只要条件化有定义，被赋予零概率的假设在更新后仍然为零，因此重新审视模型可能很重要。较高的后验概率，是相对于所采用的假定和参与比较的候选解释而言的，并不能证明这个解释是真的。精确计算可能需要大量计算资源；不能把粗略的直觉比较说成经过校准的数值后验概率。