H: Hypothesis. E: Evidence.
被称为 prior (先验概率)，也就是 (纯) 假设成立的可能性
在视频中的意思就是，不管乱七八糟的什么事，这事发生的概率，也就是实际的比例
被称为 likelihood (似然概率)
在视频中的意思就是，given the truth of hypothesis，那么你的话能成立的概率。也就是我觉得如果是图书管理员，这样的人能占几成
到这里为止，我认为这就是贝叶斯定律的妙处，我们常说的听到了这些个表述 (Evidence) 觉得可能是怎么样，我们有一个自己的猜测，这个猜测并不是最终目的，也就是所谓的在你给的表述下，是真的概率，而是反过来，如果是真的，然后是你表述的概率。我想这也是 3b1b 想表达的我们考虑事情没有考虑到实际上他的比例
被称为 posterior (后验概率)，是我们想要的结果，他应该是 满足事实的假设/所有满足的事实，发现了吗，推理的关键就在 可以条件前后调来调去
小细节
这里有个小细节：当我看一些别的贝叶斯公式的表述时，我能看到一个全概率公式的形式，好像很难记，这仅仅只是贝叶斯公式的多个假设推广
Belief
belief 究竟是 prior 还是 likelihood 我没有定言，总之他俩都能影响 posterior，所以我觉得应该都是吧
在前面的介绍中，如果我的 belief 是图书管理员和农民的比例一样
- 第一视角：代入公式，发现分子分母始终是 1:1，
- 第二视角：反正比例一样，所以后验概率就是人物占比
此时我想要的 也就是说我如果 believe 一个屁话，那么概率不会影响，而我如果有 belief，它会影响到后验概率
有趣的例子
Linda 是一个怎么怎么样的人，会参加游行，重视歧视问题
- Linda 是一个银行工作人员
- Linda 是一个银行工作者并且是个女权主义者
大部份人都选择了后者，就算一眼知道后者是前者的子集
这里就是人们对那个 evidence 收到了影响，判断的是 likelihood，也就是 belief，也就是如果是后者，他更加应该是这样的人。这份想法影响了我们的 posterior
Prior & Likelihood
对于农民与图书管理员的例子中，Steve 究竟是谁？他如果是美国人随机抽取，那么 prior 可能很悬殊。但如果 Steve 是大学生的朋友，那也许 prior 是图书管理员的概率更高
这是问题的背景
我对于问题的理解，影响了 likelihood
Update
当我们看到 evidence 时，我们习惯直接 determine 了我们的估计。前面也已经说到了，这不应该，而应该是 update
当我们看到 evidence 的时候，我们考虑的一些变化永远是 ，我的意思是 likelihood，也就是我认为当他是 hypothesis 的时候，是 evidence 的概率更高
所以我们永远得到的不是 posterior，而是一些 prior 和 likelihood，来更新 posterior