データ構造におけるベイズの定理とは？確率更新の基本をわかりやすく解説

ベイズの定理とは

ベイズの定理（ベイズの規則）とは、新しい関連する証拠が得られたときに、それまで持っていた信念や確率の推定値を合理的に更新するための数学的手法です。データ構造やアルゴリズムの分野にとどまらず、機械学習、統計的推論、スパムメールフィルタリングなど、幅広い領域で応用されています。

具体的な例として、ある人物ががんに罹患している確率を求める場面を考えてみましょう。追加情報が何もない段階では、まず「人口全体に占めるがん罹患者の割合」をそのまま確率として採用することになります。しかし、「その人物が喫煙者である」という新たな証拠が得られた場合はどうでしょうか。喫煙者はそうでない人に比べてがんになる確率が高いことが知られているため、この証拠を反映させて確率を更新することができます。このようにベイズの定理を用いれば、事前知識を活かして、より精度の高い確率推定を実現できるのです。

ベイズの定理の数式

ベイズの定理は、次の式で表されます。

P(C|D) = P(D|C) × P(C) / P(D)

ここで、C は確率を求めたい対象となる事象（仮説）、D は C に何らかの形で関連する新しい証拠を表します。

各項の意味

事後確率：P(C|D)

証拠 D が得られた後の、事象 C の確率です。ベイズの定理で最終的に推定したい値を指します。上の例では「その人物が喫煙者であるという条件のもとで、がんに罹患している確率」に相当します。

尤度：P(D|C)

仮説 C が正しいものとした場合に、新しい証拠 D が観測される確率です。上の例では「その人物ががんである場合に、喫煙者である確率」となります。

事前確率：P(C)

追加の証拠を一切考慮しない段階での、仮説 C の確率です。上の例では「人口全体におけるがん罹患率」にあたります。

周辺尤度：P(D)

仮説の内容に関係なく、証拠 D が観測される全体的な確率です。上の例では「母集団における喫煙者の割合」に相当します。多くの実務的な応用では、この項は主に正規化のための係数として機能するため、省略されることも少なくありません。