1）先驗：統計歷史上的經驗而知當下發生的概率；

2）後驗：當下由因及果的概率；

2、網上有個例子說的透徹：

1）先驗——根據若干年的統計（經驗）或者氣候（常識），某地方下雨的概率；

2）似然——看到了某種結果，對產生結果的原因作出假設：是颳風了？還是有烏雲？還是現在是上午十二點？（每一個伴隨此結果的，都是可能導致此結果的原因）我們現在計算的就是P(θi|X)，已知X，求每一個θi對應的概率。顯然，“烏雲”的概率遠大於“上午十二點”。下雨（果）的時候有烏雲（因/證據/觀察的資料）的概率，即已經有了果，對證據發生的可能性描述；

3）後驗——根據天上有烏雲（原因或者證據/觀察資料），下雨（結果）的概率；

後驗 ~ 先驗*似然（後驗正比於先驗與似然的乘積） ： 存在下雨的可能（先驗），下雨之前會有烏雲（似然）~ 通過現在有烏雲推斷下雨概率（後驗）；

3、幫助主觀理解的例子：

先驗概率可理解為統計概率，後驗概率可理解為“引數”條件概率。

設定背景：酒至半酣,忽陰雲漠漠,驟雨將至。

情景一： “天不會下雨的，歷史上這裡下雨的概率是20%”----先驗概率 “陰雲漠漠時，下雨的概率是80%”----後驗概率

情景二： “飛飛別急著走啊，歷史上酒桌上死人的概率只有5%“----先驗概率 ”他是曹操啊，夢裡都殺人“----後驗概率

情景三： “她的車技不好，坐她的車我們很危險”----先驗概率 “她喝了酒開車，太危險了”----後驗概率

情景三是想說明：已知的引數並不一定會“反轉”先驗概率，也並不一定會“support”先驗概率，甚至不一定會改變先驗概率（比如，已知引數是她的車頂上有鳥屎，那麼已知引數的影響趨於0）。

情景四： 新疆的西瓜好吃—先驗概率 這個新疆的西瓜並沒有熟，它肯定不好吃—後驗概率

從數學角度理解一下似然函式： 現有一個數據集，只有正負兩類，要用一個超平面將他分類，求出這個超平面，超平面的引數為w（向量）和b。 w和b的任意取值構成的每一個超平面都是假設空間的元素，都可能是我們需要的模型，每一個超平面都有一個對應的似然函式，其值代表了這個超平面是我們要的模型的可能性，似然函式越大，說明這組w和b的取值對應的超平面越符合我們的需求（越能正確地將資料集分類），這裡的似然函式就可以是分類準確率，但是分類準確率不方便我們將函式最優化，故而，我們將似然函式用每一點到超平面的距離來表示，那麼就很Ok了。將似然函式最優化的結果就是最優的引數取值的結果。