베이즈 정리 (Bayes' Theorem)
쉽게 풀면
감기와 독감은 증상이 비슷하지만, 열이 39도를 넘으면 독감일 가능성이 더 높아집니다. 처음에는 "이 계절엔 독감보다 감기 환자가 훨씬 많다"는 배경지식(사전확률)에서 출발하지만, "고열"이라는 새로운 증거를 보고 나면 "역시 독감 쪽 확률이 더 크다"고 생각을 바꾸게 됩니다. 베이즈 정리는 바로 이 과정, 즉 "원래 생각(사전확률)"에 "새로운 증거가 나왔을 때 그 증거가 각 가설에서 얼마나 자연스러운지(우도)"를 곱해서 "증거를 본 뒤의 생각(사후확률)"으로 정확하게 업데이트하는 수학 공식입니다.
왜 중요한가
베이즈 정리는 "이미 알고 있는 것"과 "새로 관찰한 것"을 하나의 확률식으로 결합하는 원리이기 때문에, 불확실성을 다루는 거의 모든 분야에서 등장합니다. 의학 진단, 스팸 필터, 머신러닝의 확률 모델, 신호처리의 추정 문제 등은 모두 "관측된 데이터를 바탕으로 어떤 상태나 가설의 확률을 갱신한다"는 동일한 구조를 갖고 있으며, 그 갱신 규칙이 바로 베이즈 정리입니다. 그래서 논문에서 베이즈 정리는 그 자체가 결론이라기보다, 뒤이어 나오는 베이지안 추론이나 베이지안 모형 전체를 정당화하는 출발점으로 제시되는 경우가 많습니다.
논문에서는 이렇게 쓰입니다
이 문장은 연구자가 기존에 알려진 확률(사전확률)에 새로 수집한 검사 결과(우도)를 베이즈 정리로 결합해서, 각 진단이 맞을 최종 확률(사후확률)을 계산했다는 뜻입니다.
텍스트 분류 연구에서 베이즈 정리는 단어의 등장 패턴(증거)을 보고 문서가 어떤 범주(가설)에 속하는지를 확률적으로 판단하는 데 쓰입니다. 이는 나이브 베이즈 분류기와 같은 알고리즘의 이론적 근거가 됩니다.
로봇공학이나 신호처리 분야에서는 새로운 센서 측정값이 들어올 때마다 베이즈 정리를 반복 적용해 대상의 위치나 상태에 대한 추정을 계속 업데이트하는 방식이 흔히 쓰입니다.
조금 더 깊게 보면
논문에서 베이즈 정리가 실제로 쓰일 때는 사전확률(prior), 우도(likelihood), 사후확률(posterior)이라는 세 요소가 함께 언급되는 경우가 대부분이므로, 이 세 용어가 각각 무엇을 가리키는지 구분해서 읽는 것이 중요합니다. 또한 사후확률을 정확히 계산하려면 분모에 해당하는 증거(evidence, 전체 확률)를 구해야 하는데, 이 계산이 복잡한 모형에서는 어려워서 실제로는 근사적으로 사후분포를 추정하는 방법들이 함께 등장하곤 합니다. 이런 근사 계산과 반복적 갱신을 포함한 통계적 틀 전체를 다루는 것이 바로 베이지안 추론이며, 논문에서 베이즈 정리라는 단어만 나오더라도 문맥상 이러한 더 넓은 절차를 가리키는 경우가 많습니다.
주의할 점
베이즈 정리 자체는 하나의 수학적 항등식일 뿐이며, 사전확률을 어떻게 정하느냐에 따라 사후확률의 결과가 달라질 수 있습니다. 이 공식을 반복적으로 활용해 모수를 추정하는 통계적 접근 전반은 베이지안 추론이라고 부르며, 베이즈 정리는 그 이론적 토대에 해당합니다.