Bayes定理的理解 先验概率和后验概率(prior probability & posterior probability)
想要更好的理解贝叶斯公式，必须要搞懂几个概念：
先验概率和后验概率(也叫正向概率和逆向概率）
先验概率就是不加条件（信息）的判断某一变量的概率,可以理解为你直观上判断某一事件发生的概率。
举个例子，判断一个人是不是很聪明的概率。
后验概率是在附加了某条件后判断某一变量的概率（是一种条件概率），也可以理解为获取到了某些信息下判断某一事件的概率。
举个例子，这个人考上了大学，判断这个人是不是很聪明的概率。
二者区别可以认为是，先验概率是指缺乏某个事实的情况下描述一个变量; 而后验概率是在考虑了一个事实之后的条件概率。条件概率涉及的两个事件不是独立的。一个事件的发生必然影响另一个事件发生的概率。
条件概率(conditional probability）条件概率公式：
B事件是条件，我们已经观察到B的发生，所以在B发生的条件下A发生的概率，就是A和B都发生的概率，除以B发生的概率。
这是简单条件概率的理解，而贝叶斯公式就是用来求条件概率的。 全概率公式(total probability）
（后面会用到）
公式表示若事件A1，A2，…，An构成一个完备事件组且都有正概率，则对任意一个事件B都有公式成立。 Bayes定理
贝叶斯公式：
这里通过一个例子来理解这个公式：
问题：
小鹿说，他的女神每次看到他的时候都冲他笑，他想知道女神是不是喜欢他呢？
建模：
分析给定的已知信息和未知信息：
1）未知条件：女神喜欢你，记为A事件，P(A) :表示A事件发生的概率。
2）已知条件：女神经常冲你笑，记为B事件，P(B) :表示B事件发生的概率。
3）要解决的问题：P(A|B) 表示女神经常冲你笑这个事件(B)发生后，女神喜欢你（A）的概率。
那么再回到公式，我们可以知道以下信息：
1）先验概率
在这个问题当中，P(A)就是先验概率，就是不知道B或者其它信息的情况下，对A发生的一个判断。也就是说，你不知道任何情况的前提下，女神喜欢你的概率，假设是50%，也就是说可能喜欢你，也可能不喜欢。
2）后验概率
P(A|B)称为"后验概率"（Posterior probability），即在B事件发生之后，我们对A事件概率的重新评估。这个例子里就是在女神冲你笑后，对女神喜欢你的概率重新预测。
3）可能性函数（Likelyhood）
我们观察公式，除去 P(A)、P(A|B)还剩下一部分: P(B|A)/P(B) ,我们可以理解为这是一个调整因子，即对新信息事件B的发生后做出的调整，作用是使得先验概率更接近真实概率。
可以理解为，你一开始有了个推断P(A),女神有50%的可能性喜欢你，但是后来你知道了P(B)，女神经常冲你笑的概率，那么这时候你就需要对之前的推断做出调整，而这个“可能性函数（Likelyhood）”就是这个作用。
如果"可能性函数"P(B|A)/P(B)>1，意味着"先验概率"被增强，事件A的发生的可能性变大；
如果"可能性函数"P(B|A)/P(B)=1，意味着B事件无助于判断事件A的可能性；
如果"可能性函数"P(B|A)/P(B)<1，意味着"先验概率"被削弱，事件A的可能性变小。
在这里，假如这个可能性函数是1.5（可以理解为，女神平常比较高冷，但是经常只对你笑，意味着喜欢你的可能性变大）
我们将数据代入公式：P(A|B)=P(A) × P(B|A)/P(B)= 50%×1.5 =75%
说明在女神经常对你笑的情况下，喜欢你的概率是75%哦
深入理解贝叶斯公式先根据以往的经验预估一个"先验概率"P(A)，然后加入新的信息（实验结果B），这样有了新的信息后，我们对事件A的预测就更加准确。
因此，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）
即：
P(A|B) = P(A) × (P(B|A)/P(B))
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)。