贝叶斯方法的核心是：先有一个先验判断，再根据新证据更新，得到后验判断。公式不复杂，后验正比于先验乘以似然，直观理解就是“证据改变信念的程度”。
举个例子，某种病患病率很低，检测准确率很高，但一个人检测阳性，实际患病的概率可能远低于直觉。因为先验极低，即使证据很强，后验也不会立刻变高。
这种思维对推荐和风控很有用。新用户没有行为数据时，可以用人群先验做冷启动；随着行为积累，先验逐渐被个人数据取代，预测越来越个性化。
贝叶斯还强调不确定性。与其只给一个点预测，不如给出分布，告诉决策者有多大把握。这在样本稀少或风险较高的场景尤其有价值。
