如果存在有限的實驗資料，並且想要評估基於該資料的假設，則貝葉斯演算法非常有用。例如，如果我們提出一個問題，即給定j的情況下，i是否為真，我們想知道後驗機率P(i|j)(給定j時i的機率)。但是，此後驗機率不能直接從資料中推斷出來，因此我們將語句反轉：如果我們的假設i為真(=給定)，那麼j的機率是多少？我們可以說，給定j時真i的機率乘以j的機率等於給定i時真j的機率乘以i的機率。我們可以將其寫成數學形式： P ( i | j ) ∗ P ( j ) = P ( j | i ) ∗ P ( i ) {\displaystyle P(i|j)*P(j)=P(j|i)*P(i)} 。然後稍微重新排列一下就會得到我們想要知道的：給定資料j時，真i的機率是多少？ P ( i | j ) = [ P ( j | i ) ∗ P ( i ) ] / P ( j ) {\displaystyle P(i|j)=[P(j|i)*P(i)]/P(j)}
![{\displaystyle P(i|j)=[P(j|i)*P(i)]/P(j)}](https://wikimedia.org/api/rest_v1/media/math/render/svg/df9916d8a510b095e24e3091fcd468d13b73f891)