在家中不慎打碎了一件古董，开始寻找FeviQuick（一种经典胶水）来修复它。由于它总是被放错地方，开始在所有可能的抽屉和过去三个月未曾触及的家中角落寻找。经过一个小时的搜索后，放弃了，FeviQuick无影无踪。缩小了搜索范围，再次开始寻找，最终在三本书下找到了它！
但这个故事与机器学习模型有何关联？让解释一下是如何思考这个问题的，以及机器学习模型会如何思考。
会列出所有可能的位置（数据）。大脑会自动优先考虑哪些地方需要彻底搜索。这可以被视为为每个地方分配一个概率（先验）。在第一次搜索没有结果后，开始思考所有可能的地方。母亲认为她最后一次看到它是在卧室（新数据）。现在考虑了在卧室找到该物品的可能性（思维）。
在这个思考过程中，大脑为每个地方分配了新的概率（后验）。基本上，概率值不是局限于一个值，而是一个值的范围。这正是贝叶斯概率的范围——不是一个单一的值，而是一个值的分布。
现在对于机器来说。输入包含所有可能找到它的地方的数据。对于模型来说，每个找到物品的地方都是同样可能的，因为机器不知道偏见是什么，也没有先前的训练数据可以参考。
现在机器无法得到任何结果，因此它将每个概率值都设为零。即使教会机器只考虑少数几个地方，它也会给每个地方一个同样可能的概率，这无助于情况。在这里，可以看到概率值被限制在一个单一的值上。如果物品没有找到，机器会将概率值设为零，因为它没有考虑到可能犯错误的概率（所有机器都容易出错）。
机器学习模型没有空间来融入不确定性和概率！
考虑这个问题被应用到一个现实生活的问题中，比如发生了一起绑架案，试图缩小绑匪可能带走人质的可能性范围。
这是可能拥有的先验知识，因此描绘了在给定他在这个区域的情况下找到绑匪的可能性。
作为人类，知道没有地方可以被排除，因为首先，绑匪不必是静止的，他总是有可能隐藏在不知道的地方。因此，根据每个街区存在的建筑类型来做出他可能在哪里的概率。对于那些阴暗和偏远地区的区域，给予了更高的概率，这被称为可能性。
现在，假设从一个人那里得到一个线索，他肯定看到人质从E13街区直走？那么概率将会如下变化：
绑匪可能在哪里的后验概率。
在这里，可以看到概率的对齐发生了变化。E12街区右侧的单元格的绿色阴影增加了。这有时也被称为后验概率。可能性已经乘以一个值E，使得那些区域的后验概率值得到了更新。这个值E被称为证据。
尽管有信息，但它并没有将E12街区之前的街区的概率设为零，因为它考虑到了不确定性。
这个层次结构可以作为一个事件链来应用，一旦有新信息输入，证据就会被更新。前一个情况的后验将成为更新情况的可能性。让给一直在可视化的公式一个公式：
P(A1|B1), P(A2|B2) 是计算出的后验
对于一个机器学习模型，比如逻辑回归，甚至是多层感知器，如果不考虑到贝叶斯类比，就不可能训练这些模型。对于一个机器学习模型，它会分配看起来像这样的值：
每个街区被赋予同样可能的概率。
现在让看看机器学习模型会如何像之前一样对新信息做出反应，即绑匪被看到向E12街区的右侧走去：
这里的模型表示非常少，显示出太多的偏见和对数据的依赖。
可以看到模型变得多么有偏见了吗？它直接将E12街区之前的地方的概率值设为零。这似乎很不方便，因为它没有考虑到提供的信息或数据可能是错误的，因此模型可能已经在错误的方向上寻找，浪费时间。