貝葉斯里面的參數原理
最大似然： 即最符合觀測數據的最有優勢，即p(D|h)最大
奧卡姆剃刀：即越常見的越有可能發生，即p(h) 表示的是先驗概率
最大似然：
當我們投擲一枚硬幣，觀測到的是正面，那么我們猜測投擲正面的概率為1，即最大似然值的概率是最大的
奧卡姆剃刀：
如果平面上有N個點，我們使用n-1階的函數可以擬合出任何一個點，但是越高階的曲線越不常見，因此p(N-1) << p(1) 和p(2) 一階和二階的概率
實例：垃圾分類的實例
p(h+|D) = p(D|h+) * p(h+) / p(D) h+ 表示的是垃圾郵件， D表示的是一封郵件里面的詞
這個公式表示的含義： p(h+) 表示的是垃圾郵件的概率， p(D|h+) 表示是郵件里面的詞與垃圾郵件的相似度，這里使用的可以是詞頻化的向量也可以tf-dif的向量
相似度的比較的話，這里使用的余弦定理
p(d1, d2, d3...|h+) = p(d1|h+) * p(d2|d1, h+)...
為了方便計算我們使用朴素貝葉斯來進行計算
p(d1, d2, d3..|h+) = p(d1|h+) * p(d2|h+) * p(d3|h+) .... p(d3|h+) 表示這個詞在垃圾郵件出現的概率， 我們可以使用相似度來進行計算