条件概率描述在已知某事件发生的条件下，另一事件发生的可能性。用 P(A|B) 表示，它是很多算法的基础，也是理解推荐和风控逻辑的钥匙。
贝叶斯公式把条件概率反过来计算：P(A|B) 正比于 P(B|A) 乘以 P(A)。先验概率结合新证据，得到后验概率，这正是人类更新信念的数学表达。
在垃圾邮件识别中，先验是邮件为垃圾邮件的比例，似然是垃圾邮件中出现某关键词的概率。贝叶斯公式把两者结合，给出看到关键词后是垃圾邮件的概率。
贝叶斯思维提醒我们关注基础比率。即使检测很准，当目标事件本身极少时，阳性结果仍可能大部分是误报，这在疾病筛查和风控中很常见。
实际应用时要警惕独立性假设。朴素贝叶斯假设特征条件独立，现实中往往不成立，但它仍能给出可用的排序结果，理解假设边界比盲目使用更重要。
