无法获得用户贝叶斯定理的几率
unable to get the odds of a user- bayes theorm
我正在尝试使用混淆矩阵解决这个非常基本的问题，但我的解决方案与正确的解决方案不匹配。
问：假设我们有一项药物测试可以在 99% 的时间内准确识别药物使用者，并且对 99% 的非使用者准确得出阴性结果。但只有0.3%的整体用户使用这种药物。
如果测试呈阳性，某人实际吸毒的几率有多大？
还有，TP / (TP + FN)和P(A) P(B|A)/P(B)一样吗？
我的方法：
TP TN Total
Users Predicted positive 29.7 0.3 30
Non-Users Predicted negative 99.7 9870.3 9970
129.4 9870.6 10000
根据以上数据，我得到：29.7/129.4 = 0.2295208655 大约 22.95%
但解决方案指出：22.8%。我很困惑。正确的做法是什么？
我知道了:
给出的方法是这样的 - P(B) 是 1.3% ( 0.99*0.003 + 0.01*0.997) 所以，P(B|A) = P(A) P(B|A) / P(B) = 0.003*0.99 / 0.013 = 0.228 。所以，“22.8%”
但他们将数字四舍五入为 1.3% 而不是 1.294%，这就是为什么值不同的原因！！
我正在尝试使用混淆矩阵解决这个非常基本的问题，但我的解决方案与正确的解决方案不匹配。
问：假设我们有一项药物测试可以在 99% 的时间内准确识别药物使用者，并且对 99% 的非使用者准确得出阴性结果。但只有0.3%的整体用户使用这种药物。
如果测试呈阳性，某人实际吸毒的几率有多大？
还有，TP / (TP + FN)和P(A) P(B|A)/P(B)一样吗？
我的方法：
TP TN Total
Users Predicted positive 29.7 0.3 30
Non-Users Predicted negative 99.7 9870.3 9970
129.4 9870.6 10000
根据以上数据，我得到：29.7/129.4 = 0.2295208655 大约 22.95%
但解决方案指出：22.8%。我很困惑。正确的做法是什么？
我知道了:
给出的方法是这样的 - P(B) 是 1.3% ( 0.99*0.003 + 0.01*0.997) 所以，P(B|A) = P(A) P(B|A) / P(B) = 0.003*0.99 / 0.013 = 0.228 。所以，“22.8%”
但他们将数字四舍五入为 1.3% 而不是 1.294%，这就是为什么值不同的原因！！