贝叶斯概率和频率概率如何的?
贝叶斯概率和频率概率相对，它从确定的分布中观测到的频率或者在样本空间中的比例来导出概率。
采用频率概率的统计和概率的理论由R.A. Fisher,Egon Pearson和Jerzy Neyman在20世纪上半叶发展起来。A. N. Kolmogorov也采用频率概率来通过勒贝格积分为测度论中的概率奠定数学基础(《概率论基础》(1933年))。Savage, Koopman,Abraham Wald和其他一些学者自1950年以来发展了贝叶斯概率。
贝叶斯学派和频率学派在概率解释上的分歧在统计学实践上有重要的结果。例如，在用同样的数据比较两个假设的时候，假设测试理论基于概率的频率解释，它允许基于错误推出数据更支持另外那个模型/假设的概率来否定或接受一个模型/假设(零假设)。出现这种错误的概率称为一类误差，它要求考虑从同样的数据源导出的假想的数据集合要比实际观测到的数据更为极端。这个方法允许论断'或者两个假设不同或者观测到的数据是误导的集合'。相对应的是，贝叶斯方法基于实际观测到的数据，因此能够对于任何数量的假设直接赋予后验概率。对于代表每个假设的模型的参数必须赋予概率的要求是这种直接方法的代价。
贝叶斯概率的应用具体是怎么样的呢?
自1950年代以来，贝叶斯理论和贝叶斯概率通过考克斯定理, Jaynes的最大熵原理以及荷兰书论证得到了广泛的应用。在很多应用中，贝叶斯方法更为普适，也似乎较频率概率能得出更好的结果。贝叶斯因子也和奥卡姆剃刀一起使用。数学应用请参看贝叶斯推论和贝叶斯定理。
有些人将贝叶斯推论视为科学方法的一种应用，因为通过贝叶斯推论来更新概率要求从对于不同假设的初始信任度出发，采集新的信息(例如通过做试验)，然后根据新的信息调整原有的信念。调整原有的信念可以意味着(更加接)接受或者推翻初始的假设。
贝叶斯技术被应用于垃圾邮件的过滤上。贝叶斯垃圾邮件过滤器采用电子邮件的一个参考集合来定义什么最初被认为是垃圾邮件。定义了参考之后，过滤器使用参考中的特点来将新的邮件判定为垃圾邮件或有效邮件。新电子邮件作为新的信息出现，并且如果用户在垃圾邮件和有效邮件的判定中发现错误，这个新的信息会更新初始参考集合中的信息，以期将来的判定可以更为精确。参看贝叶斯推论和贝叶斯过滤。
