贝叶斯定理
贝叶斯定理可以理解成下面的式子：
后验概率（新信息出现后A发生的概率）＝先验概率（A发生的概率）x可能性函数（新信息带出现来的调整）贝叶斯的底层思想就是：
如果我能掌握一个事情的全部信息，我当然能计算出一个客观概率（古典概率、正向概率）。
可是生活中绝大多数决策面临的信息都是不全的，我们手中只有有限的信息。既然无法得到全面的信息，我们就在信息有限的情况下，尽可能做出一个好的预测。也就是，在主观判断的基础上，可以先估计一个值（先验概率），然后根据观察的新信息不断修正(可能性函数)。
叶贝斯定理是什么
人们根据不确定性信息作出推理和决策需要对各种结论的概率作出估计，这类推理称为概率推理。1、贝叶斯定理是概率论中的一个结论，它跟随机变量的条件概率以及边缘概率分布有关。在有些关于概率的解说中，贝叶斯定理（贝叶斯更新）能够告知我们如何利用新证据修改已有的看法。通常，事件A在事件B（发生）的条件下的概率，与事件B在事件A的条件下的概率是不一样的；然而，这两者是有确定的关系，贝叶斯定理就是这种关系的陈述。2、贝叶斯法则可表述为：后验概率=(似然度*先验概率)/标准化常量也就是说，后验概率与先验概率和似然度的乘积成正比。另外，比例Pr(B|A)/Pr(B)也有时被称作标准似然度（standardised likelihood），贝叶斯法则可表述为：后验概率=标准似然度*先验概率。
贝叶斯公式的意义
贝叶斯公式是一种用于计算条件概率的数学公式，通常用于统计学和人工智能领域的分类问题。它的核心思想是在已知某些事件的条件下，计算另一个事件发生的条件概率。贝叶斯公式的意义在于，它可以帮助我们在不确定性条件下对事件进行分类和概率估计。例如，在医学诊断方面，贝叶斯公式可以帮助医生根据一些症状判断病人是否患有某种疾病，并计算发生概率，从而对病人进行更准确的诊断和治疗。另外，贝叶斯公式也广泛应用于机器学习和人工智能领域，用于训练分类模型和预测概率。通过不断地更新先验概率和后验概率，可以逐渐提高模型的准确性和可靠性。总之，贝叶斯公式是一种重要的概率计算方法，具有广泛的应用场景和重要的实际意义。
怎么简单理解贝叶斯公式?
贝叶斯定理是关于随机事件A和B的条件概率（或边缘概率）的一则定理。其中P（A|B）是在B发生的情况下A发生的可能性。贝叶斯定理也称贝叶斯推理，早在18世纪，英国学者贝叶斯（1702～1761）曾提出计算条件概率的公式用来解决如下一类问题：假设H,H…，H互斥且构成一个完全事件，已知它们的概率P(H),i=1,2,…，n,现观察到某事件A与H,H…，H相伴随机出现，且已知条件概率P(A|H)，求P(H|A)。按贝叶斯定理进行投资决策的基本步骤是：1、列出在已知项目B条件下项目A的发生概率，即将P（A│B）转换为P（B│A）；2、绘制树型图；3、求各状态结点的期望收益值，并将结果填入树型图；4、根据对树型图的分析，进行投资项目决策。
