欢迎使用CSDN-markdown编辑器

贝叶斯（Bayes）公式

P(A|B)=P(A)P(B|A)P(B)

通常用A、B表示事件，使用P(A|B)表示条件概率较抽象。
现在采用另外一套字母体系：

H 和 E(D) ，其中 H = hypothesis（假设），E = evidence（证据）或data（数据），这样贝叶斯公式就可以表述为通过不断收集数据 E 来加强对假设 H 的信心。

这种表述方法称为diachronic linguistics（历史语言学），其中 diachronic 是“随时间变化”的意思。在 Bayes理论中，就是指每当我们收集到一个新的证据之后，都可以加入到原有Bayes系统中用于调整对原有时间的看法（可能是增删改 + - ×），因此事件H的概率会不断调整。

那么贝叶斯公式可列为：

P(H|E)=P(H)P(E|H)P(E)

其中，公式各变量表述为：

1. P(H) => 先验概率（prior probability），又叫基础概率，是无任何条件限制下时间H发生的概率。
2. P(H|E) => 后验概率（posterior probability）
3. P(E|H) => 条件似然（conditional likelihood），有时候我们称之为似然概率：