贝叶斯定理是概率论里面非常核心的公式,本质就是根据新得到的证据信息,去更新原本的先验概率,完成后验概率的计算,它和普通的正向概率不一样,正向概率是已知条件推算事件发生概率,贝叶斯定理是反过来,已经观测到结果,反向推算背后假设成立的概率,这个反向推理的思路是它最大特点,现在贝叶斯定理广泛用在机器学习 医学诊断 垃圾邮件识别 风控 人工智能 统计推断这些领域。很多初学者学习贝叶斯定理的时候,容易混淆先验概率 似然 证据概率 后验概率这几个概念,概念理解不清就会套错公式,尤其是多重条件贝叶斯,还有全概率公式搭配贝叶斯定理的场景,是最容易出错的地方。贝叶斯定理的核心思想不是一次性得到绝对正确答案,而是随着新证据不断出现,持续修正概率判断,这也是它和传统频率派概率最大的区别,频率派认为概率是长期重复试验的稳定频率,贝叶斯学派允许把概率理解成主观置信程度,依靠新数据不断迭代更新判断。