在機器學習中，通常我們感興趣的是在給定訓練數據D時，確定假設空間H中的最佳假設。

所謂最佳假設，一種辦法是把它定義為在給定數據D以及H中不同假設的先驗概率的有關知識條件下的最可能（most probable）假設。

貝葉斯理論提供了計算這種可能性的一種直接的方法。更精確地講，貝葉斯法則提供了一種計算假設概率的方法，它基于假設的先驗概率、給定假設下觀察到不同數據的概率、以及觀察的數據本身。

要精確地定義貝葉斯理論，先引入一些記號。

1、P(h)來代表還沒有訓練數據前，假設h擁有的初始概率。P(h)常被稱為h的先驗概率（prior probability ），它反映了我們所擁有的關于h是一正確假設的機會的背景知識。如果沒有這一先驗知識，那么可以簡單地將每一候選假設賦予相同的先驗概率。

2、P(D)代表將要觀察的訓練數據

總結

以上是生活随笔為你收集整理的贝叶斯学习--极大后验概率假设和极大似然假设的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。