1、条件概率
P(A|B)=P(AB)P(B)
即：在事件B发生的条件下事件A发生的频率。等于事件A、B同一时候发生的频率除以事件B发生的频率，能够通过文氏图来理解条件概率。
由条件概率能够得到乘法公式：
P(AB)=P(A|B)P(B)，同理：P(AB)=P(B|A)P(A)
2、全概率公式
设B1,B2,...,Bn为一完备事件组，即相互之间交集为空，且总的并集为1。则对事件A有：
P(A)=∑ni=1P(A|Bi)P(Bi)。当中i=1,2,…,n
3、贝叶斯公式
设B1,B2,...,Bn为一完备事件组。即相互之间交集为空，且总的并集为1，则有：
P(Bj|A)=P(A|Bj)P(Bj)∑ni=1P(A|Bi)P(Bi)，当中i、j=1,2,…,n
4、贝叶斯分类
如果有n个类别，分别为 C1,C2,...,Cn
各个类别的概率，即 P(C1),P(C2),...,P(Cn)，是好求的。称为先验概率
有k个特征，分别为t1,t2,...,tk。贝叶斯分类如果各个特征之间是相互独立的
各个类别中每一个特征的概率也能够求出来，即求
P(t1|C1),P(t2|C1),...,P(tk|C1)
P(t1|C2),P(t2|C2),...,P(tk|C2)
….
P(t1|Cn),P(t2|Cn),...,P(tk|Cn)
如果有一特征向量为t′1,t′2,...,t′k，如今要对其分类，即在特征为t′1,t′2,...,t′k的情况下。看看那个类别的概率最大，最大的那个类别的概率即为贝叶斯分类的结果，求：
P(C1|(t′1,t′2,...,t′k)),...,P(Cn|(t′1,t′2,...,t′k))
以求P(C1|(t′1,t′2,...,t′k))为例：
P(C1|(t′1,t′2,...,t′k))=P((t′1,t′2,...,t′k)C1)P(t′1,t′2,...,t′k)=P((t′1,t′2,...,t′k)|C1)P(C1)P(t′1,t′2,...,t′k)
由于分母P(t′1,t′2,...,t′k)对每一个类别是一样的，所以能够忽略不求，所以仅仅须要求上式中分子的最大值。如今求P((t′1,t′2,...,t′k)|C1)P(C1)，由于各个特征之间相互独立。所以P((t′1,t′2,...,t′k)|C1)=P(t1|C1)P(t2|C1)...P(tk|C1)，由于每一个分类中各个特征的概率我们已经求出来了。所以如今就好计算了。
完，
參考链接：
（阮一峰）http://www.ruanyifeng.com/blog/2011/08/bayesian_inference_part_one.html
（比較具体，没看）http://www.cnblogs.com/leoo2sk/archive/2010/09/17/1829190.html