Pandas 无法获得用户的赔率-贝叶斯定理

我试图用混淆矩阵来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，而在99%的非使用者中准确地检测出阴性结果。但只有0.3%的总体使用者使用这种药物

如果某个人的检测结果呈阳性，那么他成为该药物实际使用者的几率有多大

另外，is

TP/（TP+FN）

与

p（A）p（B | A）/p（B）

相同吗

我的做法：

                                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，约22.95%

但解决方案表明：22.8%。我很困惑。做这件事的正确方法是什么？

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。因此，“22.8%”

---

但是他们把这个数字四舍五入到1.3%，而不是1.294%，这就是为什么这个值不同

这里不涉及编程。也许试试？你做的看起来不错，我几乎百分之百肯定。解决方案似乎是错误的。除此之外，丹尼尔是correct@DanielF谢谢你，丹尼尔。张贴@JürgMerlinSpaak谢谢你的调查。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。因此，“22.8%”