逻辑与集合论基础
之前的章节我们介绍了代数、函数、几何，都是在"数"和"图形"上做文章。
本章节我们要处理更底层的东西：怎么描述"条件"（逻辑）、怎么描述"一堆东西的集合"（集合论）。
机器学习里几乎所有涉及"概率""不确定性"的内容，底层语言都是集合论；所有涉及"条件判断""算法流程"的内容，底层语言都是逻辑。
基本逻辑运算：与、或、非、蕴含
逻辑与（AND，符号 ∧）
为真，当且仅当 p 和 q 都为真。
直觉：两个条件必须同时满足，少一个都不行--就像"必须同时下雨并且没带伞，才会淋湿"。
逻辑或（OR，符号 ∨）
为真，只要 p 和 q 至少有一个为真。
数学里的"或"是"可兼或"：两个都为真时，整体也是真。它不是日常口语里"二选一"的意思。
逻辑非（NOT，符号 ¬）
就是把 p 的真假值反过来：p 为真时 为假，p 为假时 为真。
逻辑蕴含（IMPLIES，符号 ⇒）
读作"如果 p，那么 q"，它是最容易反直觉的一个：
| p（前件） | q（后件） | 说明 | |
|---|---|---|---|
| 真 | 真 | 真 | 正常情况 |
| 真 | 假 | 假 | 唯一为假的情况："前真后假" |
| 假 | 真 | 真 | 前件为假，整体算真 |
| 假 | 假 | 真 | 前件为假，整体算真 |
最反直觉的两行：当 p 为假时，无论 q 是什么， 都被判定为真。
一个帮助理解的例子："如果明天下雨（p），我就带伞（q）"。
如果明天没有下雨（p 为假），那么无论你带没带伞，都不能说这句话是"假的"--它根本没有对"不下雨"的情况做出任何承诺。
逻辑等价（IFF，符号 ⇔）
读作"p 当且仅当 q"，表示 p 和 q 的真假值永远一致（要么同真，要么同假）。
点击下面的开关，亲手"点亮"每一种组合，观察四种运算的结果。
交互演示：逻辑运算真值开关
点击 p、q 两个开关切换真假，下方四张卡片实时显示各逻辑运算的结果。重点观察 p 为假时，p ⇒ q 永远为真。
p
真
q
真
p ∧ q
真
p ∨ q
真
¬p
假
p ⇒ q
真
试着把 p 关成"假"、q 保持"真"--p ⇒ q 依然是"真"，这就是蕴含最反直觉的地方。
为什么这些符号对 AI 重要
阅读算法伪代码、模型训练的条件判断（比如"提前停止"的触发条件）时，都是逻辑表达式的组合。
决策树模型本质上就是一层层的"如果……那么……"（蕴含）判断组成的。
概率论的很多定理，在证明过程中大量使用逻辑运算来描述事件之间的关系。
实例
# 用 Python 的布尔运算打印完整真值表
# 注意：Python 里没有 "蕴含" 运算符，p ⇒ q 等价于 (not p) or q
print('p q p∧q p∨q ¬p p⇒q')
for p in [True, False]:
for q in [True, False]:
implies = (not p) or q # 蕴含：唯一为假的情况是 "p 真且 q 假"
print(p, q, p and q, p or q, not p, implies)执行以上代码输出结果为：
p q p∧q p∨q ¬p p⇒q
True True True True False True
True False False True False False
False True False True True True
False False False False True True第二行就是那个唯一的"假"：p 真、q 假，蕴含不成立。
练习：p = "今天是周末"为假，q = "我要上班"为真。请判断 的真假。
点击查看答案
p 为假，根据真值表，无论 q 是什么， 都为真。
集合的概念：交集、并集、子集
集合是什么
集合就是"一堆确定的东西"的整体，比如 表示包含 1、2、3 三个元素的集合。
| 符号 | 含义 | 示例 |
|---|---|---|
| x 是集合 A 的元素（属于） | ||
| x 不是集合 A 的元素 | ||
| 空集，不包含任何元素 | ||
| 全集，讨论范围内"所有东西" | 掷骰子的所有可能结果 |
子集
如果集合 A 中的每一个元素都同时是集合 B 的元素，就说 A 是 B 的子集，记作 。
例如 ，则 。
并集、交集、差集、补集
设 ：
| 运算 | 符号 | 含义 | 结果 |
|---|---|---|---|
| 并集 | A 和 B 的元素合在一起（重复只算一次） | ||
| 交集 | 既在 A 又在 B 里的元素 | ||
| 差集 | 属于 A 但不属于 B | ||
| 补集 | 全集 U 中不属于 A 的部分，即 | 取决于 U |
集合运算与逻辑运算的对应关系
集合论和逻辑运算其实是"同一件事的两种语言"：
| 集合语言 | 逻辑语言 |
|---|---|
这也是为什么这两节放在同一章：它们是同一套底层逻辑的两种表达方式。
点击按钮切换集合运算，看 Venn 图中被点亮的区域。
交互演示：Venn 图与集合运算
设 U = {1..10}，A = {1,2,3,4,5}，B = {4,5,6,7}。点击按钮切换运算，橙色区域是被选中的结果。
U A B
实例
# Python 的集合运算：与数学符号一一对应
A = {1, 2, 3, 4, 5}
B = {4, 5, 6, 7}
U = set(range(1, 11)) # 全集 {1, 2, ..., 10}
print(A | B) # 并集 A ∪ B
print(A & B) # 交集 A ∩ B
print(A - B) # 差集 A \ B
print(A ^ B) # 对称差 A △ B（只在其中一个集合里的元素）
print(U - A) # 补集 Ā = U \ A执行以上代码输出结果为：
{1, 2, 3, 4, 5, 6, 7}
{4, 5}
{1, 2, 3}
{1, 2, 3, 6, 7}
{6, 7, 8, 9, 10}练习：，（在 1~12 范围内）。求 和 。
点击查看答案
为什么概率论建立在集合论之上
事件就是集合
概率论里的"事件"，本质上就是一个集合：所有满足某个条件的"可能结果"的集合。
比如掷一枚骰子，"掷出偶数"这个事件对应的集合就是 。
概率运算直接对应集合运算
| 概率语言 | 集合语言 | 含义 |
|---|---|---|
| A 或 B 发生 | 事件 A、B 至少一个发生 | |
| A 且 B 都发生 | 事件 A、B 同时发生 | |
| A 不发生 | A 的补集 | |
| A、B 互斥 | 两个事件不可能同时发生 |
加法公式：容斥原理
这个公式的几何直觉：两个圆圈重叠部分被算了两次，要减掉一次。
用 Venn 图（集合的图形化表示）可以非常直观地看到这一点。
条件概率
读作"在 B 已经发生的条件下，A 发生的概率"。
直觉：一旦知道 B 发生了，讨论问题的"全集"就从原来的 U 缩小到了 B。
这时候 A 发生的概率，自然就是"A 和 B 的交集"占"新全集 B"的比例。
贝叶斯定理的雏形
条件概率还可以反过来写：
整理一下，就得到贝叶斯定理的核心式：
它是很多机器学习模型（如朴素贝叶斯分类器）的理论基础，推导起点正是"条件概率是集合交集占比"这个朴素的集合直觉。
经典的疾病检测问题最能体现贝叶斯的威力：检测"准确率 95%"不等于"检测阳性后患病概率 95%"。拖动滑块亲手算一算。
交互演示：贝叶斯定理与疾病检测
100 个圆点代表 100 个人。调整患病率、检测灵敏度、误报率，观察"检测阳性后真正患病"的比例如何变化。
患病率 P(A)10% 灵敏度 P(B|A)90% 误报率 P(B|¬A)9%
患病且阳性 患病但漏检 健康但误报阳性 健康且阴性
试试把患病率拉到 1%：即使检测灵敏度高达 90%，阳性中真正患病的人也可能不到两成--大量误报淹没了真阳性。
实例
# 贝叶斯定理：疾病检测的经典计算
# A = 患病，B = 检测阳性
p_a = 0.01 # 患病率（先验概率）
p_b_given_a = 0.95 # 灵敏度：患病者检测为阳性的概率
p_b_given_na = 0.05 # 误报率：健康者检测为阳性的概率
# 全概率公式：P(B) = P(B|A)P(A) + P(B|¬A)P(¬A)
p_b = p_b_given_a * p_a + p_b_given_na * (1 - p_a)
# 贝叶斯公式：P(A|B) = P(B|A)P(A) / P(B)
p_a_given_b = p_b_given_a * p_a / p_b
print(p_b) # 检测阳性的总概率约 5.9%
print(p_a_given_b) # 阳性中真正患病的比例：只有约 16.1%！执行以上代码输出结果为：
0.059000000000000004
0.16101694915254236结论很反直觉：检测"准确率 95%"，但阳性结果中真正患病的概率只有约 16%--因为患病率本身只有 1%，大量误报淹没了真阳性。
这正是贝叶斯定理的价值：它告诉你如何用新证据（检测结果）更新旧信念（患病率），这也是朴素贝叶斯分类器、贝叶斯优化的共同思想源头。
练习：一副 52 张牌中，事件 A = "抽到红桃"（13 张），事件 B = "抽到 A"（4 张，其中 1 张是红桃 A）。求 和 。
点击查看答案
本章小结
| 主题 | 一句话核心 |
|---|---|
| 逻辑运算 | ∧ 要求都真，∨ 只需一个真，⇒ 只有"前真后假"时才是假的（最反直觉） |
| 集合运算 | ∪ 是合并，∩ 是共有部分，与逻辑运算一一对应 |
| 概率与集合 | 事件就是集合，P(A∪B)、P(A∩B)、条件概率都能用集合的重叠关系直观理解 |
AI 思考中...