在机器学习概率部分，经常会看到先验概率、后验概率，总是感觉特别懵逼。今天刚好打开贝叶斯思维这本书，里面讲了贝叶斯的另一种解释。
历时诠释
主要思路：根据数据集D的内容变化更新假设概率H的方法。
“历时”意味着某些事情随着时间而发生；
在考虑H和D的情况下，贝叶斯的表达式可以写为：
p(H|D) = p(H)*p(D|H)/p(D)
在这种解释里，每项的意义如下：
- p(H) 称为先验概率，即在得到新数据前某一假设的概率。
- p(H|D)称为后验概率，即在看到数据后，我们要计算的该假设的概率。
- p(D|H)是该假设下得到这一数据的概率，称为似然度。
- p(D)是在任何假设下得到这一数据的概率，称为标准化常量。
——以上来自书籍《贝叶斯思维：统计建模的Python方法》 作者：Allen B.Downey.