最近気になるベイズ統計学とは: 考え方の基本を分かりやすく解説！ : Blockchain FAQ：仮想通貨とWeb3.0を深掘りする専門ブログ

「ベイズ統計学」って聞いたことありますか？
なんだか難しそうな名前ですが、実は私たちの思考方法にとても近い、直感的でパワフルな考え方なんです。

この項では、ベイズ統計学の基本的な考え方を、数式をほとんど使わずに、具体例を交えながら分かりやすく解説します。

ベイズ統計学って、なに？

一言でいうと、ベイズ統計学は「手元にある情報（データ）を使って、私たちの『確信度』を更新していくための考え方」です。

従来の統計学（頻度論）が「何度も同じことを繰り返したら、どういう結果になるか」を考えるのに対し、ベイズ統計学は「今ある情報から、何が一番もっともらしいか」を考えます。

この「確信度を更新する」という考え方がポイントです。私たちは普段、無意識にこれと同じことをしています。

空がどんより曇ってきた → 「雨が降りそうだな」という確信度が上がる

友達がおすすめしてくれたレストランに行く → 「きっと美味しいだろう」という確信度が高い

ニュースで見た情報に、専門家の解説が加わる → その情報に対する確信度がさらに高まる（または下がる）

このように、新しい情報（データ）を得るたびに、私たちの頭の中にある「確信度」が変化していきますよね。ベイズ統計学は、このプロセスを数学的に表現したものなのです。

ベイズ統計学の考え方の中心には、「ベイズの定理」というシンプルな式があります。

P(H|D) = P(D|H) * P(H) / P(D)

事後確率 = (尤度 × 事前確率) / 証拠

「うわ、数式が出てきた…」と身構えないでください！大丈夫です。言葉に直すと、とてもシンプルです。

それぞれの言葉の意味を、迷惑メールフィルターの例で見てみましょう。

事前確率 P(H)：データを見る前の確信度
例：「このメールが迷惑メールである」という、最初に持っている確率。（例えば、今までの経験から「まあ、10%くらいのメールは迷惑メールかな」と思っている状態）
尤度（ゆうど） P(D|H)：もし仮説が正しいとしたら、そのデータが得られるもっともらしさ
例：もし「迷惑メールだとしたら、『セール』という単語が含まれている」確率。（迷惑メールの多くに「セール」が入っているなら、この尤度は高くなります）
事後確率 P(H|D)：データを見た後の、更新された確信度
例：「『セール』という単語が入っていた」というデータを踏まえた上で、「このメールが迷惑メールである」という最終的な確率。
証拠 P(D)：そのデータが得られる確率全体（これは正規化のための値なので、一旦「ふーん」くらいでOKです）

つまりベイズの定理は、最初の確信度（事前確率）に、新しいデータのもっともらしさ（尤度）を掛け合わせて、新しい確信度（事後確率）にアップデートする、ということを言っているだけなのです。

これがベイズ統計学の基本的な流れです。シンプルですよね？

ベイズ統計学には、従来の統計学にはないユニークなメリットがあります。

従来の統計学は、たくさんのデータがないと正確な分析が難しい場合があります。しかし、ベイズ統計学は「事前確率」を設定できるため、専門家の知識や過去の経験といった主観的な情報を最初のスタート地点にできます。そして、新しいデータが得られるたびに、その確信度をどんどん更新していけるのです。

ベイズ統計学が出す答えは「〜である確率」という形で示されます。例えば、「新薬が有効である確率は95%です」といった具合です。これは、「有意差がある／ない」といった従来の統計学の答え方よりも、私たちが直感的に理解しやすい表現です。

現実世界の複雑な問題を、より柔軟にモデル化できるのも強みです。手元にある情報を最大限に活用して、現実に即した分析がしやすくなります。

もちろん、万能ではありません。

事前確率の選び方: スタート地点となる「事前確率」をどう設定するかによって、結果が変わることがあります。そのため、なぜその事前確率を選んだのか、説明できることが重要になります。
計算が大変なことがある: 理論はシンプルですが、複雑な問題を解こうとすると計算が非常に大変になることがあります。（ただし、これはコンピュータの性能向上とMCMCといった計算手法の発展によって、かなり解決されてきています）