نظرية بايز في التطبيق

حين يلتقي الرياضي بالقرارات الحقيقية

نتيجة اختبار مرض نادر جاءت إيجابية. مرشِّح البريد المزعج يُعلِّم رسالةً واردة. مدير منتج يريد معرفة أيُّ إصدار من الموقع أفضل. في الحالات الثلاث السؤال واحد: في ضوء هذا الدليل، كيف أُحدِّث اعتقادي؟

نظرية بايز هي الجواب الرسمي. في الدرس السابق اشتققناها رياضياً. الآن سنُوظِّفها — بالعمل على الاختبارات الطبية وترشيح البريد المزعج وتجارب A/B — لنرى لماذا يكون الاستدلال البايزي قوياً وفي الوقت ذاته مخالفاً للحدس في أغلب الأحيان.

الاختبارات الطبية: المصطلحات

تتَّسم الاختبارات الطبية بكميَّتين أساسيتين. الحساسية هي احتمال أن تكون النتيجة إيجابية بشرط أن المريض مصاب فعلاً — وتقيس مدى قدرة الاختبار على اكتشاف الحالات الحقيقية. النوعية هي احتمال أن تكون النتيجة سلبية بشرط أن المريض سليم فعلاً — وتقيس مدى تجنُّب الاختبار للإنذارات الكاذبة.

لاحظ ما لا تخبرك به هذه الكميات. بالرموز نفسها التي في المعادلتين أعلاه — D للإصابة بالمرض و+ لنتيجة اختبار إيجابية — الحساسية تعطيك P(+ | D). لكن ما يريد الطبيب والمريض معرفته فعلاً هو العكس: P(D | +). هنا تحديداً تتدخَّل نظرية بايز.

القيمة التنبؤية الإيجابية والسلبية

الكميَّتان اللتان تجيبان عن الأسئلة السريرية مباشرةً هما القيمة التنبؤية الإيجابية (PPV) — احتمال الإصابة بالمرض في حالة نتيجة إيجابية — والقيمة التنبؤية السلبية (NPV) — احتمال السلامة في حالة نتيجة سلبية. وهما الاحتمالان البعديان اللذان تحسبهما نظرية بايز.

تُوضِّح الصيغة شيئاً فورياً: تعتمد PPV على انتشار المرض P(D) — أي شيوعه في الفئة السكانية المُختبَرة. فحتى اختبار ذو حساسية ونوعية ممتازتين قد يكون PPV منخفضاً جداً إذا كان المرض نادراً، لأن معظم الإيجابيات تأتي من الفئة الكبيرة من الأصحاء لا من الفئة الصغيرة من المرضى.

مغالطة معدل الأساس

مغالطة معدل الأساس هي خطأ تجاهل الانتشار عند تفسير نتائج الاختبارات. وهي شائعة جداً حتى بين المتخصِّصين المدرَّبين. أظهرت دراسات أن غالبية الأطباء يُبالغون في تقدير احتمال الإصابة بعد نتيجة إيجابية، لأنهم يُركِّزون على دقة الاختبار ويُهملون ندرة المرض.

يميل الحدس إلى التثبُّت بالرقم الإجمالي — «دقة الاختبار 99%» — وإهمال السياق — «لكن 0.1% فقط من الناس مصابون». تُجبرك نظرية بايز على تثقيل الدقة بمعدل الأساس، وكثيراً ما تكون النتيجة مخالِفة للحدس.

تُفاجئ هذه النتيجة الجميع تقريباً. حتى مع اختبار عالي الدقة، نحو 91 من كل 100 نتيجة إيجابية تعود لأصحاء، لأن مقابل كل مريض واحد يوجد 999 شخصاً سليماً. تطغى الإيجابيات الكاذبة القادمة من ذلك البحر الكبير من الأصحاء على الإيجابيات الحقيقية القادمة من المجموعة الصغيرة من المرضى.

التحديث البايزي: قبلي ← دليل ← بعدي

من أهم خصائص نظرية بايز أنها تسلسلية. الاحتمال البعدي اليوم يصبح الاحتمال القبلي غداً. لا تحتاج إلى انتظار كل الأدلة قبل التحديث — يمكنك دمج كل قطعة معلومة واحدة تلو الأخرى، مستخدماً دائماً أحدث احتمال بعدي كنقطة بداية.

افترض أن مريضنا من المثال أعلاه أجرى اختباراً ثانياً مستقلاً وجاءت نتيجته إيجابية أيضاً. نأخذ الآن الاحتمال البعدي من الاختبار الأول (PPV ≈ 9%) كاحتمال قبلي جديد، ونُطبِّق نظرية بايز مرة أخرى مع احتمال الدليل للاختبار الثاني. يرتفع الاحتمال البعدي ارتفاعاً حاداً — لأن نتيجتين إيجابيتين مستقلتين يصعب تفسيرهما على أنهما مجرد مصادفة.

هذه الرؤية التسلسلية هي جوهر العالَم البايزي: الاستدلال عملية مستمرة لتراكم الأدلة وتحديث الاعتقادات، لا حساب من مرة واحدة.

ترشيح البريد المزعج ببايز الساذج

كانت مرشِّحات البريد المزعج من أوائل التطبيقات واسعة النطاق للاستدلال البايزي في البرمجيات. الفكرة الجوهرية: بالنظر إلى كلمات البريد الإلكتروني، ما احتمال كونه مزعجاً؟ نُطبِّق نظرية بايز معتبِرين كل كلمة دليلاً مستقلاً — وهو تقريب يُعرف بافتراض بايز الساذج.

لتكن S = «البريد مزعج» وw₁, w₂, …, wₙ كلمات البريد. بافتراض الاستقلالية الساذجة، يتناسب الاحتمال البعدي للبريد المزعج مع احتماله القبلي مضروباً في حاصل ضرب احتمالات الكلمات الفردية P(wᵢ | S).

بايز الساذج مصنِّف توليدي: يُنمذِج كيف تُولِّد كل فئة البيانات. رغم افتراض الاستقلالية القوي، يُنافس أحياناً نماذج أشد تعقيداً، لا سيما حين تكون بيانات التدريب محدودة. فضلاً عن ذلك هو سريع التدريب وقابل للتفسير ويتعامل بصورة طبيعية مع الميزات الغائبة.

اختبار A/B بايزياً

في اختبار A/B الكلاسيكي تُجري تجربة وتحسب قيمة p وتقرر إذا كنت سترفض الفرضية الصفرية. البديل البايزي يبدأ بتوزيع قبلي على معدل تحويل كل متغيِّر ويُحدِّثه بالبيانات المرصودة لإنتاج توزيع بعدي. يمكنك حينئذٍ أن تسأل مباشرةً: ما احتمال أن المتغيِّر B أفضل من A؟

الآليّة هي نفسها آليّة التحديث «قبلي ← دليل ← بعدي» من مثال الفحص الطبي، لكنها الآن مطبَّقة على معدل تحويل متصل θ بدلاً من تشخيص بنعم أو لا. تبدأ باعتقاد قبلي عن θ — توزيع كامل على قيمه الممكنة لا تخمين واحد — وكل زائر يُحوِّل أو لا يُحوِّل مشاهدةٌ إضافية تشحذ هذا الاعتقاد. ومع تراكم التحويلات يتركَّز الاحتمال البعدي حول المعدل الحقيقي. أما التوزيعات المحدَّدة التي تجعل هذا التحديث مضبوطاً ومغلق الصيغة فتُقدَّم في الوحدة الرابعة؛ والمقصود هنا فقط أن اختبار A/B البايزي هو التحديث التسلسلي نفسه، يُكرَّر مراراً.

لماذا يهمُّ بايز في تعلُّم الآلة؟

تتخلَّل الأفكار البايزية تعلُّم الآلة الحديث. تقدير أعظم الاحتمال اللاحق (MAP) هو نظرية بايز مُطبَّقة على تقدير المعاملات: بدلاً من تعظيم الاحتمال وحده (تقدير MLE)، يُعظِّم MAP حاصل ضرب الاحتمال والتوزيع القبلي، وهو ما يعادل التنظيم. التنظيم L2 (ريدج) يقابل توزيعاً قبلياً غاوسياً؛ أما التنظيم L1 (لاسو) فيقابل توزيعاً قبلياً لابلاسياً.

تحتفظ الشبكات العصبية البايزية بتوزيع بعدي كامل على الأوزان بدلاً من تقدير نقطي، مما يُتيح قياس الشك المعياري. أما العمليات الغاوسية فنماذج بايزية على الدوال، تُستخدَم في تحسين المعاملات الفائقة والإحصاء المكاني. وتُيسِّر طرق الاستدلال التقريبي وMCMC هذه الحسابات.

تجميع الأفكار

نظرية بايز ليست مجرد صيغة — إنها إطار للمراجعة العقلانية للاعتقاد. في الاختبارات الطبية تُظهر أن نتيجة إيجابية لفحص مرض نادر هي على الأرجح إيجابية كاذبة ما لم يكن الاحتمال القبلي للإصابة كبيراً. في ترشيح البريد المزعج تُشغِّل مصنِّفات تتكيَّف مع أنماط بريد كل مستخدم. في اختبار A/B تُعطي إجابات مباشرة على الأسئلة التجارية عوضاً عن عتبات قيمة p غير مباشرة. وفي تعلُّم الآلة تربط التنظيم وقياس الشك والتعلُّم التسلسلي تحت مظلة واحدة متماسكة.

مغالطة معدل الأساس — تجاهل الانتشار — هي ربما أهم درس في هذه الوحدة. في كل مرة ترى فيها نتيجة اختبار تشخيصي، أو درجة ثقة نموذج، أو نتيجة تجريبية لافتة، اسأل: ما الاحتمال القبلي؟ الجواب كثيراً ما يُغيِّر كل شيء.