贝叶斯定理：概率推断的有力工具

贝叶斯定理是概率论中一项重要的推断工具，它基于条件概率的概念，可以用来更新对事件发生概率的估计。贝叶斯定理的应用非常广泛，包括机器学习、数据分析、自然语言处理等领域。本文将介绍贝叶斯定理的原理和应用，并提供相应的源代码示例。

贝叶斯定理的原理很简单：在已知事件 B 发生的条件下，事件 A 发生的概率可以通过已知的事件 A 发生的概率、事件 B 发生的概率以及事件 B 发生的条件下事件 A 发生的概率来计算。具体公式如下所示：

P(A|B) = (P(B|A) * P(A)) / P(B)

其中，P(A) 和 P(B) 分别表示事件 A 和事件 B 的先验概率（即在没有其他信息的情况下，我们对事件 A 和事件 B 发生的初始估计概率），P(B|A) 表示在事件 A 发生的条件下事件 B 发生的概率，P(A|B) 表示在事件 B 发生的条件下事件 A 发生的概率。

贝叶斯定理的一个重要应用是朴素贝叶斯分类器。朴素贝叶斯分类器是一种常见的机器学习算法，用于文本分类、垃圾邮件过滤、情感分析等任务。该算法基于贝叶斯定理，通过计算给定类别的条件下每个特征的概率，从而对新样本进行分类。

下面是一个简单的朴素贝叶斯分类器的示例代码：

import numpy as np

class NaiveBayesClassifier