频率学派把概率看作长期频率，贝叶斯学派把概率看作信念程度。贝叶斯方法的核心是用先验分布表达已有认知，再用观测数据更新，得到后验分布，特别适合小样本场景。
推荐系统冷启动就是典型应用：新物品的点击率估计若只用几次曝光，波动极大。引入同类物品的历史点击率作为先验，用Beta分布建模，随着曝光增加后验逐渐由数据主导，估计更平滑稳健。
贝叶斯AB实验也日益流行。传统假设检验回答“效应是否显著”，贝叶斯方法直接给出“B优于A的概率”和预期收益分布，更贴近业务决策语言，且支持在实验中途动态评估。
选择先验需要谨慎。强先验在小样本时主导结果，若先验选错会引入偏差；弱先验更依赖数据，但小样本时不稳定。实践中可用经验贝叶斯从历史数据估计先验超参数，兼顾客观性与稳定性。
贝叶斯方法不是万灵药，计算成本通常高于频率方法，复杂模型需要近似推断。理解其假设和局限，比盲目套用工具更重要。
