貝式定理這一章變得好複雜XD 一開始是用工廠機器來說明貝氏定理的定義。
工廠有兩台機器，以不同速度生產扳手（機器1每小時生產30支、機器2每小時生產20支）。機器1和機器2生產的扳手有不同的序號，且兩台機器的良率不同。但機器2的良率具體來說是多少呢？
總缺陷率是1%，其中50%的缺陷來自機器1，另外50%來自機器2。那麼，我們想知道一支有缺陷的扳手來自機器1或機器2的機率各是多少。
首先，先計算扳手來自機器1或機器2的機率：

P（來自M1的扳手）＝30／50＝0.6
（機器1每小時生產30支，機器1和機器2合計生產50支）
P（來自M2的扳手）＝20／50＝0.4

接著，缺陷的機率不用另外計算，因為我們已經知道整體缺陷率是1%。

P（總缺陷機率）＝1%

在這1%的缺陷中：

P（M1｜缺陷）＝有缺陷的扳手來自M1＝50%
P（M2｜缺陷）＝有缺陷的扳手來自M2＝50%

那麼，機器2生產的扳手缺陷率是多少？貝氏定理終於要出場了。
機器2的缺陷率

＝ P（M2｜缺陷）× P（總缺陷機率）÷ P（來自M2的扳手）
＝ 0.5 × 0.01 ÷ 0.4
＝ 0.0125
＝ 1.25%

看了那麼多、我決定採用維基百科的定義:

貝氏定理（Bayes' theorem）是用來描述在已知某些條件下，另一個相關事件發生機率的數學公式。
那要怎麼樣把資料用貝式定理做分類呢? 講師又給了一個例子，不過我不會用他的案例。例如，去醫院做檢測，結果顯示「陽性」。那我們就想知道，我真的有病的機率是多少？
這邊跟Chatgpt討論的範例做圖示，

我覺得要抓一個關鍵點: 先把P(A)，P(B)定義清楚是什麼(P(A)是有病、P(B是陽性))，接著再去看(P(B|A))[我有病又是陽性的機率]，只要數字正確了、後頭就正確了~

其他補充

1. 為什呢貝式定理的英文是'Naive ' bayes呢? (Naive有天真、純樸、簡單)，原因假設這些特徵彼此獨立。，但是這些假設通常都不成立，所以用Naive bayes 並認為這結果正確就太天真了!!!
2. P(X) >> 所有可能情況中，X 出現的機率。但假設X算不出來呢 >>> 也就是資料不夠算出P(X)呢?
3. 如果 (P(X)) 對所有情況都是固定的、不會隨資料改變，那它在比較不同結果時只是個固定常數，很多時候可以直接忽略。