贝叶斯概率
贝叶斯定理（Bayes' theorem）:
贝叶斯定理中的分母可以用出现在分子中的项表示：
可以把贝叶斯定理的分母看做归一化常数，用来确保公式左侧的条件概率对于所有 的Y 的取值之和为1。
在观察到数据之前，我们有 一些关于参数w的假设，这以先验概率p(w)的形式给出。观测数据D = {t1, . . . , tN }的效果可以
通过条件概率p(D | w)表达。贝叶斯定理的形 式为：
它让我们能够通过后验概率p(w | D)，在观测到D之后估计w的不确定性。贝叶斯定理右侧的量p(D | w)由观测数据集D来估计，可以被看成参数向量w的函数，被称为似然函数（likelihood function）。它表达了在不同的参数向量w下，观测数据出现的可能性的
大小。注意，似然函数不是w的概率分布，并且它关于w的积分并不（一定）等于1。