貝葉斯定理包含主要要素：
1，先驗 2，後驗 3，似然
數學定義：
注：A，B是事件，P(A|B)代表事件B在事件A已經發生之後時發生的概率，注（P(B|A)同理）。
其中，P(A|B) 統稱爲後驗概率，P(B|A) 統稱爲似然，P(A) 統稱爲先驗
貝葉斯推理：
統計推斷是從數據中推導出關於總體或概率分佈的屬性的過程。從一組觀察到的數據點，可以確定平均值的最大似然估計值。
貝葉斯推斷只是使用貝葉斯定理從數據中推導出有關種羣或概率分佈的屬性的過程。
實際貝葉斯模型：
注:
我們已經看到P（Θ）是先驗分佈。它代表了我們對參數真實價值的信念。
左側的P（ Θ|data）稱爲後驗分佈。這是在我們計算右側的所有內容並將觀察到的數據考慮在內之後表示我們對參數值 的信念的分佈。
P（data|Θ ）是我們之前講到過的。如果你讀過透徹理解最大似然估計，你會記得我們說L（data;μ，σ）是似然分佈 （對於高斯分佈）。P（data|Θ ）可能性分佈。有時候它寫成（ Θ; data），但這裏也是一樣的。
P(data) 有時被稱爲證據，就是我們所考慮的歸一化常數。但是，有的時候我們不會考慮這個屬性我們關心的是分佈峯 值出現的位置。所以，有的時候就會忽略這個歸一化常數，於是明確的真正後驗分佈並不等於右側（少了個分母）
參考鏈接：https://baijiahao.baidu.com/s?id=1617897727880350069&wfr=spider&for=pc
