贝叶斯定理
@[toc]
条件概率
假设有两个事件，一个A一个B，在B发生的情况下A发生的概率是多少，这称为条件概率。记为p(A|B)。
边缘概率
如上假设有两个概率A，B。单独考虑A或者B的概率称为边缘概率。
联合概率
如上假设有两个概率A，B。A，B同时发生的概率则称为联合概率。记为<math xmlns="http://www.w3.org/1998/Math/MathML" display="block"><mi>p</mi><mo stretchy="false">(</mo><mi>A</mi><mo>∩</mo><mi>B</mi><mo stretchy="false">)</mo></math>
贝叶斯定理
<math xmlns="http://www.w3.org/1998/Math/MathML" display="block"><mi>p</mi><mo stretchy="false">(</mo><mi>B</mi><mrow><mo stretchy="false">|</mo></mrow><mi>A</mi><mo stretchy="false">)</mo><mo>=</mo><mfrac><mrow><mi>p</mi><mo stretchy="false">(</mo><mi>A</mi><mrow><mo stretchy="false">|</mo></mrow><mi>B</mi><mo stretchy="false">)</mo><mi>p</mi><mo stretchy="false">(</mo><mi>B</mi><mo stretchy="false">)</mo></mrow><mrow><mi>p</mi><mo stretchy="false">(</mo><mi>A</mi><mo stretchy="false">)</mo></mrow></mfrac></math>
P(A)是 A 的先验概率，之所以称为“先验”是因为它不考虑任何 B 方面的因素。
P(B)是 B 的先验概率，也作标淮化常量（normalizing constant）。
P(A|B)是已知 B 发生后 A 的条件概率，也由于得自 B 的取值而被称作 A 的后验概率。
P(B|A)是已知 A 发生后 B 的条件概率，也由于得自 A 的取值而被称作 B 的后验概率。
举个例子：
垃圾邮件的分类，通常将邮件可以识别划分成垃圾与非垃圾邮件。
P(A)=含有“广告 创新”的词通常为垃圾邮件
P(B)=是否是垃圾邮件
P(B|A)=需要求解的目标
P(A|B)=垃圾邮件里面是否有“广告，创新”词