1、贝叶斯 贝叶斯思想的核心：当我们获得新的证据以后，要重新计算某件事情发生的概率。 例如：一个患者检查结果呈阳性，那么他真正患病的概率是多少？我们一开始可能知道：普通人患病概率很低检测有一定准确率现在这个人的检测结果是阳性那么问题就是：结合“阳性”这个新证据之后，他患病的概率是多少？这就是贝叶斯概率最典型的问题。1.1、先理解概率中的几个概念假设：A：一个人患病B：检测结果阳性那么有几个不同的概率： P(A)表示：这个人患病的概率叫做先验概率（Prior Probability）。 P(B)表示：检测结果呈阳性的概率叫做证据概率 P(B∣A)读作：在已经患病的条件下，检测结果阳性的概率。也就是患病的人，检测阳性的概率是多少？这通常就是检测的灵敏度，这个叫做似然概率。 P(A∣B)读作：在检测结果阳性的条件下，患病的概率。也就是我们