如何理解Bayes贝叶斯公式|如何理解极大似然法|这两个有什么关系？贝叶斯定理是什么|贝叶斯公式在机器学习中有什么用？

贝叶斯公式=贝叶斯定理

贝叶斯公式到底想说啥

贝叶斯公式就是想用概率数学来表示事件发生依赖关系。
贝叶斯公式长下面这样：

用图形怎么表示贝叶斯公式

$P(X=x)$就是X的面积。
$P(Y=y)$就是Y的面积。
$P(X=x|Y=y)$是什么？$P(X=x|Y=y)$是指Y发生的情况下X发生的概率。用图形表示就是，只看Y的情况下Y里面的X占比多少。这不就是相交部分除以Y的面积么？相交部分计算方式=X的面积*相交部分占X的比率。
再看看前面的公式就完全能理解了。

贝叶斯公式在机器学习中有什么用？

答：用于参数估计。机器学习做的事情其实就是找到一个概率分布函数，输入一个数据输出是这个数据属于某个类的概率。
那么怎么找这个概率分布函数呢？一般是默认是高斯分布。
假设样本的概率分布是高斯分布。高斯分布长下面这样，有两个参数$u和\sigma$。贝叶斯公式就是用来估计这两个参数。

那么贝叶斯公式怎么估计这两个参数你呢？将$u和\sigma$记作为$\theta$。也就是说我们需要估计$\theta$的值是多少。

其中$P(X=x|\theta=\hat {\theta})==f_{\hat \theta}(x)$。上面那个公式的意思就是说，$\theta$有很多很多取值，$\hat \theta$是其中一个。那么怎么知道哪个最好呢？计算$\hat \theta$是X的最好参数的可能性$P(\theta = \hat \theta |X=x)$，哪个可能性最大就选哪个参数。这就是极大似然法。，极大似然法就是现有有多个可能的参数取值，我不知道取哪个最好。为了知道取哪个最好。我要计算出各个参数为优参数的可能性。然后将可能性最大的那个参数作为目前的概率分布函数最优参数。
那假如$\theta$取值无限种情况呢？
$\theta$取值无限的情况下，需要用梯度下降优化极大似然法这个等式.下面这个等式。不懂梯度下降可以看看这两篇文章：
https://www.zhihu.com/question/305638940/answer/670034343
https://blog.csdn.net/varyshare/article/details/89556131