概念界定
贝叶斯公式描述如何在观察到证据后更新某个假设的概率。它把先验、似然、证据和后验连接起来，是理解概率推断和不确定性更新的基础。
定义与记号
贝叶斯公式：
p(H | E) = p(E | H) p(H) / p(E)其中：
H：假设。E：观察到的证据。p(H)：先验概率。p(E | H)：似然。p(H | E)：后验概率。p(E)：证据概率或归一化常数。
直观解释
贝叶斯公式表达的是：看到新证据后，应该如何调整对某个假设的相信程度。如果某个证据在假设成立时更容易出现，那么观察到该证据后，这个假设的后验概率会上升。
示例
在分类任务中，可以把类别看作假设 Y，输入文本看作证据 X：
p(Y | X) ∝ p(X | Y) p(Y)现代神经网络通常不显式这样分解，但贝叶斯公式仍然是理解条件概率和概率推断的重要背景。