贝叶斯定理是一种用于描述事件发生概率的数学原理,其核心思想是根据先验知识和新的证据来更新对事件概率的认识。
条件概率
条件概率”（Conditional probability），就是指在事件B发生的情况下，事件A发生的概率，用P(A|B)来表示。
贝叶斯定理的数学公式如下:
P(A|B) = P(B|A) × P(A) / P(B)
p(AB): 事件A和事件B同时发生的概率 p(A|B) * p(B): 事件B发生的条件下事件A发生的概率 * B 发生 = A 和 B 同时发生 p(AB) = p(A|B) * p(B) = p(B|A) * p(A) P(A|B) = p(AB) / p(B) = p(B|A) * p(A) / p(B)
其中,P(A|B)是在事件B发生的条件下事件A发生的概率,即后验概率;P(A)是事件A的先验概率;P(B|A)是在事件A发生的条件下事件B发生的概率,即似然性;P(B)是事件B发生的概率
## 文章
* [贝叶斯推断及其互联网应用（一）：定理简介](https://www.ruanyifeng.com/blog/2011/08/bayesian_inference_part_one.html)
> 贝叶斯推断与其他统计学推断方法截然不同。它建立在主观判断的基础上，也就是说，你可以不需要客观证据，先估计一个值，然后根据实际结果不断修正。正是因为它的主观性太强，曾经遭到许多统计学家的诟病。
> 贝叶斯推断需要大量的计算，因此历史上很长一段时间，无法得到广泛应用。只有计算机诞生以后，它才获得真正的重视。人们发现，许多统计量是无法事先进行客观判断的，而互联网时代出现的大型数据集，再加上高速运算能力，为验证这些统计量提供了方便，也为应用贝叶斯推断创造了条件，它的威力正在日益显现。
* [条件概率，全概率，贝叶斯公式理解](https://cloud.tencent.com/developer/article/1055502)