贝叶斯先验概率怎么计算,贝叶斯公式理解(先验概率/后验概率)

本文参考：https://www.cnblogs.com/yemanxiaozu/p/7680761.html 条件概率：

在原因B发生的条件下，结果A发生的概率:P(A|B)

全概率：

假如结果A发生的原因有B1，B2…等多种原因，则全概率公式如下：
P(A) = P(B1)P(A|B1) + P(B2)P(A|B2)…

先验概率：

是指以往经验和分析得到的概率。
意思是说我们人有一个常识,比如骰子,我们都知道概率是1/6,而且无数次重复实验也表明是这个数,这是一种我们人的常识,也是我们在不知道任何情况下必然会说出的一个值.而所谓的先验概率是我们人在未知条件下对事件发生可能性猜测的数学表示!
比如，一次抛硬币实验，我们认为正面朝上的概率是0.5，这就是一种先验概率，在抛硬币前，我们只有常识。

后验概率：

事情已经发生，要求这件事情发生的原因是由某个因素引起的可能性的大小。
也就是说事情已经发生了，结果的发生的原因有很多，判断结果的发生是由哪个原因引起的概率

类条件概率：

就是已知一个条件下，结果发生的概率。条件概率实际上把一个完整的问题集合S通过特征进行了划分，划分成S1/S2/S3…。类条件概率中的类指的是把造成结果的所有原因一 一进行列举，分别讨论。

总结：

“概率论只不过是把常识用数学公式表达了出来”—拉普拉斯
之所以贝叶斯方法在机器学习中如此重要,就是因为人们希望机器人能像人那样思考,而很多问题是需要计算机在已知条件下做出最佳决策的决策,而贝叶斯公式就是对人脑在已知条件下做出直觉判断的一种数学表示。

本文参考：

https://www.cnblogs.com/yemanxiaozu/p/7680761.html
https://blog.csdn.net/qq_35091353/article/details/102557011