贝叶斯算法
以上是一维变量，B条件下的A_K的概率，是条件概率闭上全概率
对于二维的连续变量
有以下的密度概率
在进行贝叶斯概率计算的时候，存在一个验前概率，也即经验概率，此处的经验概率是θ，此处的条件概率是在进行N次试验后，命中m次的概率
当g(θ)满足以下条件的时候
当先验概率为1的时候，上述的后验概率的式子
如下
在上述的这个式子里面，分母中的积分是一个β函数，他的积分值如下是所示
对于贝叶斯概率里面
对于最初的假设的一个概率θ，我们需要确定他的估计值，通常用以下数学期望进行表示
最终的结果是(m+1)/(m+2)
先验概率的选取
参数估计
用损失函数来估计真实的值与假设的值之间存在的误差
通常有以下4种，
最后风险函数可以化简成残差，风险函数就是每一个估计值与实际值之间的差值，然后取平方(损失函数中的一种)，最后在求数学期望
