先驗概率是根據統計或者經驗得到的（大的前提，積累性，過去式，基本不變性）
後驗概率是根據當前的條件和先驗概率得出的概率，與當前的情況密切相關（現在進行時，情況繁多，）執果求因
貝葉斯概率公式：
貝葉斯公式就是根據先驗來計算後驗概率的公式
極大似然估計：知果求最可能的原因
似然估計：知果求因
先驗概率:
事件發生前的預判概率。可以是基於歷史資料的統計，可以由背景常識得出，也可以是人的主觀觀點給出。一般都是單獨事件概率，如p(x),p(y)。
後驗概率:
事件發生後求的反向條件概率;或者說，基於先驗概率求得的反向條件概率。概率形式與條件概率相同。
條件概率:
乙個事件發生後另乙個事件發生的概率。一般的形式為p(x|y)表示y發生的條件下x發生的概率。
貝葉斯公式:
p(y|x) = ( p(x|y) * p(y) ) / p(x)
這裡:p(y|x) 是後驗概率，一般是我們求解的目標。
p(x|y) 是條件概率，又叫似然概率，一般是通過歷史資料統計得到。一般不把它叫做先驗概率，但從定義上也符合先驗定義。
p(y) 是先驗概率，一般都是人主觀給出的。貝葉斯中的先驗概率一般特指它。
p(x) 其實也是先驗概率，只是在貝葉斯的很多應用中不重要(因為只要最大後驗不求絕對值)，需要時往往用全概率公式計算得到。
例項:假設y是文章種類，是乙個列舉值;x是向量，表示文章中各個單詞的出現次數。在擁有訓練集的情況下，顯然除了後驗概率p(y|x)中的x來自一篇新文章無法得到，p(x),p(y),p(x|y)都是可以在抽樣集合上統計出的。
最大似然理論:
認為p(x|y)最大的類別y，就是當前文件所屬類別。即max p(x|y) = max p(x1|y)p(x2|y)…p(xn|y), for all y
貝葉斯理論:
認為需要增加先驗概率p(y)，因為有可能某個y是很稀有的類別幾千年才看見一次，即使p(x|y)很高，也很可能不是它。
所以y = max p(x|y) * p(y), 其中p(y)一般是資料集裡統計出來的。
從上例來講，貝葉斯理論顯然更合理一些;但實際中很多先驗概率是拍腦袋得出的(不准)，有些甚至是為了方便求解方便生造出來的(硬湊)，那有先驗又有什麼好處呢?一般攻擊貝葉斯都在於這一點。
李巨集毅課classificatio_1
p（blue|b1) 似然
p（b1|blue）後驗
先驗概率 後驗概率 似然估計和貝葉斯公式
大概總結 先驗概率為p 因 後驗概率為p 因 果 似然估計為p 果 因 證據為p 果 貝葉斯公式為後驗概率 似然估計 先驗概率 證據 即p 因 果 p 果 因 p 因 p 果 貝葉斯估計的作用是通過結果 就是觀測值x 來判斷原因 就是引數 的概率，會把原因的概率提高，而普通的判斷原因的概率就是先驗概...
機器學習 貝葉斯公式 先驗概率 後驗概率
1.基礎知識點 條件概率公式 在b的條件下a發生的概率 a b同時發生的概率 b發生的概率 理解 因為a b同時發生的概率裡已經包含了b發生的概率，所以要將b的概率除掉。2.驗 經驗 先驗概率 於經驗之前的概率，相當於普通的概率 後驗概率 於經驗之後的概率，即條件概率 3.貝葉斯公式 實質就是條件概...
先驗概率 後驗概率（貝葉斯公式）最佳理解
在原因b發生的條件下，結果a發生的概率 p a b 假如結果a發生的原因有b1，b2 等多種原因，則全概率公式如下 p a p b1 p a b1 p b2 p a b2 是指以往經驗和分析得到的概率。意思是說我們人有乙個常識,比如骰子,我們都知道概率是1 6,而且無數次重複實驗也表明是這個數,這是...