更多：贝叶斯…
1.1 基本概念
贝叶斯理论是机器学习中一个核心方法，它由英国数学家托马斯贝叶斯在1763年发表的一篇论文中首先提出这个定理。贝叶斯定理是用来度量不确定性事件的，比如今天下雨概率，是一种概率模型。
在介绍贝叶斯理论之前我们先看看统计模式识别（statistical pattern recognition）中的一些概率知识。
假设有一组随机数据
它们属于M个类别
下面有三个比较常用的概念。
- 首先是类别出现的概率，我们称之为先验概率(priori probability)。
- 然后是某个样本属于类别的概率，称为后验概率(Posterior probability)：
- 最后是似然(Likelihood)：
贝叶斯定理就是一个条件概率，所谓“条件概率”，就是指在事件B发生的情况下，事件A发生的概率，用
表示。
1.2 全概率公式
这部分内容主要是属于概率论中的内容，具体的例子，请看本站的基础数学部分。这里简单明了的直接阐述定理。
定理(来自浙大概率论第4版)：
上式就称为全概率公式。
物理意义：
1.3 贝叶斯公式
定理(来源于浙大概率论第4版)：
证明：
由条件概率的定义及全概率公式既得：
通常的，在进行分类判断的时候，我们将贝叶斯公式写成如下形式。
我们对上式两边取对数，得到如下形式。
1.4 参考文献
[1] 《概率论与数理统计(浙大第4版)》