贝叶斯算法在概率论中有详细说明，这算是概率统计的基础知识。
公式解释，当你想求B条件下A发生的概率时候，可以转化为A条件下B发生的概率和A，B概率的关系。
使用场景：
1、拼写纠正
当一个人经常输入the，tht，thc，当又一次输入了tha时候，那纠正他输入的是the，tht，thc是哪个？概率分别是多少，哪个概率最高，就会纠正为哪个。怎么判断，就需要了贝叶斯算法，当输入为tha时候，求的是P（the|tha）,P（tht|tha）,P（thc|tha）,转化为求P（tha|the）,P（tha|tht）,P（tha|thc），P(A)，P(B)，其中P(B)可以忽略，只求P(A)*P（tha|the）,P（tha|tht）,P（tha|thc），转化为观察数据，也就是猜测生成我们观察到的数据的可能性大小，先验概率P(A)。
当最大似然无法做出决策时候，先验概率可以帮助来选择最高的概率。
最大似然：最符合观测数据的最有优势。
奥卡姆剃刀：较大的模型有较大的优势。越高阶的多项式越不常见。
2、垃圾邮件过滤实例
给你一封邮件，看是否为垃圾邮件还是正常邮件，D表示收到邮件中的n个单词组成，用h+和h-分别表示垃圾和正常邮件，比如，收到了1w封邮件，有1000封邮件是垃圾的邮件，那先验概率就是10%和 90%，分别是垃圾邮件和正常邮件。
D中的词d1，d2，d3。。。但是不可能正好垃圾邮件都是D中的词，所以修改为：
这里就用到朴素贝叶斯了，这里假设特征之间是独立了，所以可以化简为：
所以只要统计di这个单词在垃圾邮件中出现的频率就可以了。
比如：1000个邮件，有10w个词，频率进行排序，然后就是计算新的邮件中出现这个词的，进行计算。
总结下来：
1、由下面式子，要出来P(h+)和P（h-），还有p（D|h+）,p（D|h-）。
2、P(h+)和P（h-）可以由数据得到。p（D|h+）,p（D|h-）可以扩展为求下面：