基准率是新证据出现之前，某类情况在相关总体中原本有多常见。它不是对眼前个案的结论，而是判断开始时不该被抹去的背景概率。
假设某公司一百名员工中只有五名从事网络安全。新来的人说话谨慎、喜欢独处，也常谈密码。这样的描述看起来很像安全工程师，但相似性只是个案线索；公司里其他岗位的人也可能如此。若完全不看“五人对九十五人”的原始分布，醒目的描述便会占据全部判断。反过来，只守着基准率而拒绝更新，也同样错误：真正有区分力的新证据应该改变原先概率。
因此，基准率不同于平均数。平均数概括数量的中心，基准率说明类别在总体中的比例。它也不同于“基线”：基线通常是比较变化时选定的参照状态。贝叶斯推理把先验概率与新证据的区分力结合起来，得到更新后的概率；这不是让旧统计压过现实，而是要求两类信息同时进入判断。
在招聘、医学检测、风险评估和 AI 分类中，个案常比总体更生动。好的判断不是在“相信数据”和“相信眼前”之间二选一，而是先问：这个结果原本多常见？眼前证据又把它改变了多少？
https://www.itl.nist.gov/div898/handbook/apr/section2/apr1a.htm
Roadly Philosophy
想换一种方式接触哲学？试试我开发的 iPhone 哲学游戏 Roadly Philosophy。
了解 Geoffrey Chen 的更多信息
订阅后即可通过电子邮件收到最新文章。