Bayes Kuralı:
18. Yüzyıldan Kalma
Matematik · Felsefe · Düşünme Araçları
En Güçlü Düşünme Aracı
Bir papazın not defterinden yapay zekânın kalbine uzanan 250 yıllık yolculuk
🕯️ Thomas Bayes, 1763
12 dk okuma Matematik · Felsefe
"Yeni bir bilgi öğrendiğinde, eski fikirlerini tamamen silip atma. Onları güncelle." Bu tek cümle, 250 yıldan fazla önce bir İngiliz papazının not defterine düştü ve bugün tüm modern bilimlerin, yapay zekanın ve akıllı karar almanın omurgası hâline geldi.
Bir Papazın Sessiz Devrimi
Thomas Bayes (1701–1761), Tunbridge Wells'te görev yapan mütevazı bir Presbiteryen papazıydı. Pazar vaazlarının arasında, zihnini başka bir soruya veriyordu: Bir olayın sonucunu gördükten sonra, o sonuca yol açan nedenlerin olasılığını geriye doğru hesaplayabilir miyiz?
Bayes bu sorunun cevabını buldu. Ama hayatı boyunca yayımlamadı. 1761'de hayatını kaybedince, arkadaşı Richard Price el yazmalarını topladı ve 1763'te Philosophical Transactions of the Royal Society'de yayımladı. Makale başlangıçta yankı uyandırmadı. Asıl devrim, 19. ve 20. yüzyılda, Laplace'ın elinde ve sonunda modern makine öğrenmesiyle geldi.
Bugün "Bayesçi istatistik" dediğimiz yaklaşım, klasik istatistiğin yanında duran güçlü bir zihinsel mimari olarak hayatımızın her köşesinde varlığını sürdürüyor.
§
Formül: Görünenden Daha Derin
Bayes Kuralı'nın matematiksel ifadesi şaşırtıcı derecede basittir. Birkaç harf ve çarpma işlemi.
Ama bu semboller arkasında dünyanın en derin epistemolojik sorusunun yanıtı yatıyor: Kanıt, neye ne kadar inanmamız gerektiğini nasıl değiştirir?
P(A|B) = P(B|A) × P(A) P(B)
P(A) Önceki (prior) olasılık. Yeni veri gelmeden A'nın doğru olduğuna dair inancımız.
P(B|A) Olabilirlik (likelihood). A doğruysa B kanıtını gözlemleme ihtimalimiz.
P(B) Normalleştirici. B kanıtının tüm olası açıklamalar için toplam olasılığı.
P(A|B) Sonraki (posterior) olasılık. B'yi gördükten sonra güncellenmiş inancımız.
Temel fikri bir cümleyle özetlersek: Yeni kanıt, eski inancımızı silmez — onu günceller. Bu güncellemenin ne kadar büyük olacağı, hem eski inancın gücüne hem de yeni kanıtın ne kadar bilgi taşıdığına bağlıdır.
§
Sezgileri Yanıltan Örnek: Hastalık Testi
Bayes Kuralı'nın neden önemli olduğunu anlamanın en güzel yolu, sezgimizin onu ne kadar kolayca ıskalamasını görmektir. Klasik bir düşünce deneyi:
🧪 Senaryo
Toplumun yalnızca %1'ini etkileyen nadir bir hastalık var. Bu hastalık için geliştirilmiş bir test, hem hasta hem de sağlıklı kişilerde %99 doğrulukla çalışıyor. Testten pozitif sonuç aldınız.
Soru: Gerçekten hasta olma ihtimaliniz ne kadar?
~%50 Sezgimizin beklediği %99 değil
Neden? 10.000 kişilik bir toplumu düşünün: 100 kişi gerçekten hasta, 9.900 kişi sağlıklı. Test pozitif verir: 99 hasta kişide doğru (gerçek pozitif) + 99 sağlıklı kişide yanlış (yanlış pozitif). Toplam 198 pozitif sonuçtan sadece 99'u gerçek hasta — yani yaklaşık %50.
Bu fenomene temel oran yanılgısı (base rate fallacy) deniyor. İnsanlar yeni kanıta çok ağırlık verir, var olan bilgiyi (temel oranı) ihmal eder. Bayes Kuralı bu dengeyi zorla hatırlatır: Nadir bir şey, güçlü bir testten sonra bile nadir olmaya devam eder.
§
Bir Formülden Fazlası: Zihinsel Disiplin
Bayes Kuralı'nı gerçekten güçlü yapan şey, matematikten öte bir düşünme disiplini sunmasıdır. Üç adımda özetlenebilir:
Ön yargılarını gizleme, açıkla. Yeni kanıtı gördüğünde inancını güncelle. Ve bu süreci sonsuza dek tekrarla — gerçeği arayan zihin, hiçbir zaman güncellemeyi bırakmaz.
Bayesçi Düşünmenin Özü
Bu disiplin aynı zamanda yaygın zihinsel tuzakları da tanımlamamıza yardımcı olur:
⚖️ Aşırı Özgüven (Overconfidence)
Prior'ınızı çok güçlü tutmak. Yeni kanıtlar gelse de fikirlerinizi değiştirmemek. "Zaten biliyordum" yanılgısı burada yaşar.
🌊 Aşırı Tepki (Overreaction)
Prior'ı çok zayıf tutmak. Her yeni haberde fikrinizi 180 derece döndürmek. Tek bir anket sonucuna göre seçim tahmini yapmak gibi.
🔍 Doğrulama Yanlılığı (Confirmation Bias)
Sadece P(B|A)'yı aramak — kendi tezinizi destekleyen kanıtları. P(B|¬A)'yı, yani çelişen kanıtları göz ardı etmek.
Bayesçi bir zihin her yeni bilgi karşısında şunu sorar: "Bu bilgi, mevcut inancımı ne kadar ve hangi yönde güncellemelidir?" Ne çok, ne az — tam gerektiği kadar.
§
Her Yerde: Günlük Hayattan Yapay Zekaya
1763'te bir dergi sayfasında sessizce başlayan bu fikir, bugün neredeyse dokunduğumuz her teknolojinin ve kararın arka planında çalışıyor:
🏥 Tıp ve Teşhis
Tarama testlerinin yorumlanması, hastalık riskinin hesaplanması, ilaç etkinliğinin değerlendirilmesi.
🤖 Yapay Zeka
Naïve Bayes sınıflandırıcılar, spam filtreleri, dil modelleri — Bayesçi güncelleme mekanizması her yerde.
⚖️ Hukuk
Delillerin ağırlıklandırılması. Masumiyet karinesi, düşük bir prior olasılıkla başlamaktır aslında.
📈 Finans
Piyasa tahminlerini yeni verilerle dinamik olarak güncellemek, risk modellemesi.
🔬 Bilimsel Araştırma
Hipotez testleri, tekrarlayan deneylerin birikimli analizi, model karşılaştırması.
🧠 Günlük Kararlar
"Bu iş teklifi kabul edilmeli mi?", "Bu haber doğru mu?" Tüm belirsiz kararlar Bayesçi yaklaşımla daha netleşir.
§
Eleştiriler: Hiçbir Araç Kusursuz Değildir
Bayesçi yaklaşımın en çok tartışılan zayıflığı subjektif prior sorunudur. İki kişi aynı kanıtı değerlendirirken farklı başlangıç inançlarından yola çıkabilir ve farklı sonuçlara ulaşabilir. Bu, matematiğin nesnellik vaadini zedeliyor gibi görünür.
Ancak pratikte bu sorun büyük ölçüde çözülmüştür. Veri arttıkça prior'ın etkisi azalır ve farklı başlangıç noktalarından yola çıkan analistler benzer posterior değerlere yakınsar. Bunun yanı sıra "objektif prior" geliştirme çabaları (uniform dağılım, Jeffreys prior, entropi maksimizasyonu) sürmektedir.
Öte yandan, Bayesçi yaklaşımın rakibi olan frekansçı (frequentist) istatistik de geçerliliğini korumaktadır. İkisi karşıt değil, tamamlayıcıdır: frekansçı "bu verilerden ne çıkarılabilir?" diye sorarken, Bayesçi "bu veriler inancımı nasıl değiştirmeli?" diye sorar.
Neden Hâlâ En Güçlü Araçlardan Biri?
Bayes Kuralı, bize bir şeyin kesinlikle doğru olduğunu söylemez. Bunun yerine daha değerli bir şeyi öğretir: neye ne kadar inanmamız gerektiğini ve yeni bilgi geldiğinde bu inancı nasıl güncelleyeceğimizi.
Bu, epistemolojik alçakgönüllülüktür. "Kesinlikle biliyorum" yerine "şu an en iyi tahminim bu" demek ve kanıt göründüğünde fikri değiştirmeye hazır olmak.
"Gerçeklik, inancımızı umursamaz.
Ama inancımızı gerçekliğe uyarlamak bizim elimizdedir."
Thomas Bayes · 1763 · An Essay towards solving a Problem in the Doctrine of Chances
