第六章主要讲解了贝叶斯公式，讲的比较易懂，也没有写复杂的公式。
在这章我们不幸得了蜥蜴流感，医院初次诊断结果为阳性。
我们查到该诊断实验 如若患病有90%概率为阳性，如若未患病10%概率为阳性。（这里不会介绍各个分类模型，以后有机会可能会介绍)。
我们这里假设2种情形:
1.100人中90人患病：
这表示有10人不患病，10人的10%等于1，这1人诊断结果为阳性且未患病。
2.100人中10人患病：
这表示有90人不患病，90人中10%约等于9，这9人诊断结果为阳性且未患病。
我们可以用饼状图来表示一下这两种假设的情形。
import matplotlib.pyplot as plt
X = [81, 9, 1, 9]
Y = [9, 9, 9, 81]
labels = ['TP', 'FN', 'FP', 'TN']
plt.figure(1)
plt.pie(X, labels=labels, autopct='%1.2f%%')
plt.figure(2)
plt.pie(Y, labels=labels, autopct='%1.2f%%')
plt.show()我们这里要看的是FP的概率(诊断结果为阳性，实际结果为阴性）的概率。
前者为1%，后者为8.33%，由此可见，整体的患病率影响着我们诊断结果的正确率。
（书中对真阴性的描述有误，真阴性应为TN(真负例),而书中描述为,FN(假负例))(原书175页)
我们这里计算的为条件概率，条件概率是指在某一件事发生的前提下，另一件事发生的概率。这里是我们被诊断为阳性的前提下，被误诊的概率是多大。
这里又给我们了一个新的前提：
研究表明1%的人患有蜥蜴流感。 这里1%是基础概率，“在根据实验结果单独分析每个人的情况之前，你就已经知道患有蜥蜴流感的人口只有1%，因此基础概率又叫事前概率”。
我们现在可以重新来计算我们被误诊的概率了。假设总人数为1000人：
X = [9, 1, 90, 900]
labels = ['TP', 'FN', 'FP', 'TN']
plt.figure(1)
plt.pie(X, labels=labels, autopct='%1.2f%%')
plt.show()通过生成的图像来看，FP的占比为9%，TP的占比为0.9%，这两个诊断结果都是阳性。
我们来看看我们被误诊的概率 FP/(FP+TP)= 0.9，也就是我们被误诊的概率为90%。
贝叶斯公式是一个重要的分析工具，它提供了一种把新信息整合到分析中的精确方法。
这时又给了我们新的条件：
1.第二次诊断结果为阴性。
2.第二次诊断实验 如果某人为阳性，诊断为阳性的概率为99%，未患病诊断为阳性为1%。
我们这里依旧假设总人数为1000人，这里的基础概率已经变了，TP/(FP+TP)=0.1(被诊断出来，且真患病的概率) ，也就是基础概率为10%。
X = [99, 1, 9, 891]
labels = ['TP', 'FN', 'FP', 'TN']
plt.figure(1)
plt.pie(X, labels=labels, autopct='%1.2f%%')
plt.show()这里我们诊断为阴性，我们看下我们患病的概率 FN/(FN+TN) = 0.001 ，这回我们就可以放心多了。
贝叶斯公式并不难，但还是很重要的，我这里用了(TP,FN,FP,TN代替了原文中的 真阳性，假阴性，假阳性，真阴性）。这么改是有一定原因的，因为前者出现的次数会更多一些，比如一些分类阈值设定的问题。这里先给出TP,FN,FP,TN的概念
TP(True Positive)真正例:预测为1，真实值为1
FN(False Negative)假负例：预测值为0，真实值为1
FP(Flase Positive)假正例: 预测值为1，真实值为0
TN(True Negative)真负例：预测值为0，真实值为0