什么是先验概率(prior probability)？

先验概率，在贝叶斯统计推断中，是一个事件在收集新数据之前的概率。这是在进行实验之前，基于当前知识对结果概率的最佳合理评估。

先验概率解释

当新的数据或信息可用时，事件的先前概率将被修正，以产生对潜在结果的更准确的度量。修正后的概率成为后验概率，并用贝叶斯定理计算。在统计术语中，后验概率是给定事件B已经发生的情况下事件A发生的概率。

例如，三英亩土地的标签是A、B和C。一英亩地表以下有石油储量，而另外两英亩则没有。先前在C英亩发现石油的概率是三分之一，即0.333。但如果在B英亩进行钻探试验，结果表明该位置没有石油，那么在a英亩和C英亩发现石油的后验概率将变为0.5，因为每英亩有两次机会中的一次。

贝叶斯定理是数据挖掘和机器学习中一个非常普遍和基本的定理。

P（一）∣B） =P（安培）∩B） P（B）=P（A）× P（B）∣A） P（B）where:P（A） =发生的先验概率p（A）∣B） =给定B发生的条件概率p（B∣A） =给定A发生的条件概率\begin{aligned}&amp；P（A\mid B）\=\\frac{P（A\cap B）}{P（B）}\=\\frac{P（A）\\times\P（B\mid A）}{P（B）}\\&amp\textbf{其中：}\\&amp；P（A）\=\\text{A的先验概率\ text{发生}\\&amp；P（A\mid B）=\\text{A的条件概率\\&amp\qquad\qquad\quad\\text{假设}B\text{发生}\\&amp；P（B\mid A）\=\\text{B的条件概率\\&amp\qquad\qquad\quad\\\text{假设}出现一个\text{}\\&amp；P（B）\=\\text{概率}B\text{发生}\end{对齐}​P（一）∣B） =P（B）P（A）∩（二）​ = P（B）P（A）× P（B）∣（一）​where:P（A） =发生的先验概率p（A）∣B） =给定B发生的条件概率p（B∣A） =给定A发生时B的条件概率​

如果我们对某一事件的发生概率感兴趣，而我们已经事先观察到了该事件的发生概率；我们称之为先验概率。我们将此事件视为A，其概率为P（A）。如果有第二个事件影响P（a），我们称之为事件B，那么我们想知道a发生的概率。在概率表示法中，这是P（A | B），称为后验概率或修正概率。这是因为它发生在最初的事件之后，因此发生在后面。这就是贝叶斯定理如何唯一地允许我们用新的信息更新我们以前的信念。