在机器学习和统计学中，我们经常遇到三个概念：先验 (Prior)、似然 (Likelihood) 和后验 (Posterior)。这三个术语常常出现在贝叶斯统计分析中，帮助我们理解数据背后的潜在结构和概率模型。

先验 p(z) 📈代表了我们在观察任何数据之前对某些参数或变量的初始信念。例如，如果我们正在研究某种疾病的传播情况，我们可能有一个关于该疾病在人群中传播的基本预期。

当观察到实际数据 x 之后，我们就可以计算似然 p(x|z) 🔍。这个值衡量的是给定 z 的情况下观察到 x 的可能性有多大。它反映了我们的假设与实际观测结果之间的匹配程度。

最后，通过结合先验和似然，我们可以计算出后验 p(z|x) 🎯，即在观察到数据 x 后对 z 的更新后的估计。后验分布综合了我们的初始信念和新证据，为我们提供了最合理的参数估计。

这三者共同构成了贝叶斯推理的核心，使我们能够从有限的数据中提取尽可能多的信息。