上篇文章讲述了贝叶斯定理的历史及作用，那到底什么是贝叶斯定理呢？就长下面这样。
看到这，你肯定希望我说人话吧。举个例子：我的朋友小鹿说，他的女神每次看到他的时候都冲他笑，他想知道女神是不是喜欢他呢？下面我们一起用贝叶斯帮小鹿预测下女神喜欢他的概率有多大，这样小鹿就可以根据概率的大小来决定是否要表白女神。
首先，我分析了给定的已知信息和未知信息：①要求解的问题：女神喜欢你，记为A事件；②已知条件：女神经常冲你笑，记为B事件。所以说P(A|B)是女神经常冲你笑这个事件(B)发生后，女神喜欢你（A）的概率。
从公式来看，我们需要知道这么3个事情：
（1）先验概率
我们把P(A)称为‘先验概率'，即在不知道B事件的前提下，我们对A事件概率的一个主观判断。这个例子里就是在不知道女神经常对你笑的前提下，来主观判断出女神喜欢一个人的概率，这里我们假设是50%，也就是可能喜欢你，可能不喜欢你的概率都是一半。
（2）可能性函数
P(B|A)/P(B)称为‘可能性函数'，这是一个调整因子，即新信息B带来的调整，作用是使得先验概率更接近真实概率。可能性函数你可以理解为新信息过来后，对先验概率的一个调整。比如我们刚开始看到“人工智能”这个信息，你有自己的理解（先验概率/主观判断），但是当你学习了一些数据分析，或者看了些这方面的书后（新的信息），然后你根据掌握的最新信息优化了自己之前的理解（可能性函数/调整因子），最后重新理解了“人工智能”这个信息（后验概率）。
如果‘可能性函数'>1，意味着‘先验概率'被增强，事件A的发生的可能性变大；如果‘可能性函数'=1，意味着B事件无助于判断事件A的可能性；如果‘可能性函数’<1，意味着‘先验概率’被削弱，事件A的可能性变小。
还是刚才的例子，根据女神经常冲你笑这个新的信息，我调查走访了女神的闺蜜，最后发现女神平日比较高冷，很少对人笑。所以我估计出‘可能性函数'P(B|A)/P(B)=1.5（具体如何估计，省去1万字）
（3）后验概率
P(A|B)称为‘后验概率'，即在B事件发生之后，我们对A事件概率的重新评估。这个例子里就是在女神冲你笑后，对女神喜欢你的概率重新预测。带入贝叶斯公式计算出：
P(A|B)=P(A)* P(B|A)/P(B)=50% *1.5=75%
因此，女神经常冲你笑，喜欢上你的概率是75%。这说明，女神经常冲你笑这个新信息的推断能力很强，将50%的‘先验概率'一下子提高到了75%的‘后验概率'。
在得到预测概率后，小鹿自信满满的发了下面的表白微博。稍后，果然收到了女神的回复。预测成功。
现在我们再看一遍贝叶斯公式，你现在就能明白这个公式背后的最关键思想了：我们先根据以往的经验预估一个‘先验概率'P(A)，然后加入新的信息（实验结果B），这样有了新的信息后，我们对事件A的预测就更加准确了。
其实阿尔法狗也是这么战胜人类的，简单来说，阿尔法狗会在下每一步棋的时候，都可以计算自己赢棋的最大概率，就是说在每走一步之后，他都可以完全客观冷静的更新自己的信念值，完全不受其他环境影响。
以上是对贝叶斯定理的简单介绍，若对此感兴趣，可以查阅相关文章来详细了解。
参考资料：
