如何简单易懂地理解贝叶斯非参数模型?

贝叶斯非参数模型关于随机事件A和B的条件概率或边缘概率的一则定理。其中P（A|B）是在B发生的情况下A发生的可能性。

用Ph表示在没有训练数据前假设h拥有的初始概率。Ph被称为h的先验概率。先验概率反映了关于h是一正确假设的机会的背景知识如果没有这一先验知识。

可以简单地将每一候选假设赋予相同的先验概率。PD表示训练数据D的先验概率，PD表示假设h成立时D的概率。机器学习中，我们关心的是Ph，即给定D时h的成立的概率，称为h的后验概率。

举例说明：

问题：假定有一个新病人，化验结果为正，是否应将病人断定为有癌症。求后验概率Pcancer+和Pcancer+。

因此极大后验假设计算如下:

P+cancerPcancer=0.0078。

P+cancerPcancer=0.0298。

hMAP=cancer。

确切的后验概率可将上面的结果归一化以使它们的和为1。

贝叶斯推理的结果很大程度上依赖于先验概率，另外不是完全接受或拒绝假设，只是在观察到较多的数据后增大或减小了假设的可能性。