12-1 在进行贝叶斯推理时，即使忘记了之前的信息也是合乎逻辑的
上一讲中，以垃圾邮件过滤器为例，对于从2条信息中计算出来后验概率的进行了解释说明。结论如图表12-1所示。
图表12-1 依据两条信息进行贝叶斯推理
实际上，像这样通过连续收集到的信息而进行的连续推理（称为逐步推理），具有十分奇妙的性质。简单地说，就是“通过获得信息①而修改了各个类别的概率之后，再通过信息②来进行推理时，可以暂时忘记之前的信息①，这样做是没有问题的”。这在专业上被称为“序贯理性”，也是贝叶斯推理的突出性质之一。本讲将继续以上一讲中的垃圾邮件过滤器为例，来对这个性质进行说明。
图表12-2 依据从信息①中得到的信息进行贝叶斯推理
12-2 把从信息①中得到的后验概率，设为“先验概率”
首先，我们来回顾上一节中最初的推理过程（从“附带链接”这一信息中得到的后验概率）。
事前设定“垃圾邮件”和“正常邮件”这2种类别，它们的先验概率均为0.5（理由不充分原理）。然后，将每个类别再分为“附带链接”和“无链接”两种情况，并计算每种可能性的概率。
现在，扫描出来的结果是检出了“附带链接”（我们将其称为信息①）。根据信息①计算后验概率，图表12-1中显示，推测结果是垃圾邮件的后验概率①为3/4，结果是普通邮件的后验概率①为1/4。
换言之，根据信息①，先验概率由各为0.5，变更（更新）为0.75和0.25这一后验概率，如图表12-2所示。
接下来，我们来试着做一个有趣的构想：把计算出的后验概率再次设定为各个类别的先验概率，如图表12-3所示。
图表12-3 把从信息①得出的后验概率，设定为先验概率
这个构想的含义是：暂且不考虑变更的原因，而是先将目前正在检查的邮件中垃圾邮件的先验概率设定为0.75，普通邮件的先验概率设定为0.25。换言之也就是：虽然忘记了原因，但总结果是设定了这样的先验概率。
这个假设并非毫无道理。说起来，先验概率原本就是在没有根据的情况下设定的。即便是从主观上来讲，这个问题都可以不作考虑。因此，即使把根据信息①推算出的后验概率设定为新的先验概率，也没有任何不妥。
12-3 通过信息②进行贝叶斯更新
那么，像图表12-3所示的那样，使用第二次设定的各个类别的先验概率，检索出第二条信息——含有“幽会”一词（称为“信息②”），并计算后验概率。这便是之前已经多次试验过的、通过一条信息进行的贝叶斯推理，因而很容易理解和操作。
图表12-4 使用信息②，通过贝叶斯推理计算出后验概率
如图表12-4所示，互不相同的可能性共有4种，那么下一步就是进行乘法运算，得出每种可能性的概率。事实上，由于已经检索到了“幽会”一词，那么便可以排除掉其中不含“幽会”的两种情况，留下剩余的两种情况。接下来，使这个概率的比满足标准化条件（相加之和为1）。于是，在检索到“幽会”一词的情况下，后验概率为：
（垃圾邮件的后验概率）：（正常邮件的后验概率）
＝0.75×0.4:0.25×0.05
＝3×8:1×1
＝24:1
这个结果，和上一讲中使用两条信息（这里的信息①和信息②）进行的贝叶斯推理得出后验概率的结果，是完全一致的。
那么，为什么这两个结果会一致呢？难道只是偶然的吗？事实上并非如此，这样的结果是必然的，而原因却出乎意料地简单。
图表12-5 依据两条信息进行修改的结果和逐步修改的结果一致的原因
下面来看图表12-5。上半部分，即上一讲中通过两条信息（这里的信息①和信息②）一次性计算出后验概率时使用的图。
而下半部分，是本讲中图表12-2中的图。它是通过信息①，逐个修改各个类别的概率而得出的后验概率的比例。
