根据新出现的证据，更新你原本的判断。
不是非黑即白，而是 “可能性变高了 / 变低了”。
用最简单的例子讲明白
假设你怀疑自己感冒了，一开始你觉得：
我有 50% 可能感冒，50% 没感冒
这就是先验概率—— 你现有的判断。
然后你开始咳嗽了。
咳嗽在感冒的人里很常见，在没感冒的人里也偶尔会有。
贝叶斯就是计算：
既然我咳嗽了，那我现在感冒的概率变成多少了？
算完你会发现：
感冒概率从 50% 升到 80% 左右
这就是后验概率—— 根据新证据更新后的判断。
再给你一个生活版的例子:
看到乌云 → 你觉得下雨概率变高
看到地面湿了 → 下雨概率更高
看到有人打伞 → 几乎确定下雨了
每多一个证据，你就在悄悄用贝叶斯。
核心公式
新判断 = 原来的判断 × 新证据的靠谱程度
不用记复杂公式，记住这句就够了：
先有看法，再看证据，不断修正。
它到底有啥用？
垃圾邮件过滤：看到 “中奖”“转账”，判断是垃圾邮件的概率升高
医疗诊断：症状越多，某种病的概率越高
人脸识别、语音识别、AI 推荐，全靠它
甚至炒股、猜人是不是说谎，都能用。