在一个分类器中，denote：d是输入的数据，c是输出的类别，c=h(d)。那么h(d)就是输出的类别或者输出某类的概率。h就是模型的hypothesis。机器学习的过程就是从众多的hypothesis选择一个合适数据的hypothesis。可以理解为输入到输出的一个映射。
在上述的模型中：
P(h) 就是先验概率，指未看到任何数据前，hypothesis的概率分布。
P(d|h)是似然概率，指的是若某个hypothesis为true时，d出现的概率。以hypothesis慰条件便是似然概率。
P(d) 是d的边缘概率，就是d出现的概率。
P(h|d)是后验概率，指看到数据之后推测的hypothesis的概率分布。
可能说的还比较抽象，举个例子。现有一个不均匀的六面骰子，如何通过抛骰子推出抛到每个面的概率。
对于这个问题，hypothesis是所有的骰子可能的分布，比如骰子可能4的那一面重点，也可能1那一面重点，所有这种可能的假设的集合就是hypothesis。再具体点就是骰子抛到每个数字的概率。在这个模型中，
P(h)就是你还没抛骰子做实验之前别人告诉你的，这个骰子4那一面重一点的概率是0.3，1那一面重一点的概率是0.4等等。看到任何数据之前获知的模型的概率分布。
P(d|h)就是当骰子某一面重一点时抛到某个数字的概率。
P(d)就是多次抛骰子后统计得到的数字的出现概率。
P(h|d)抛了多次骰子后看到数据了，某个假设成立的概率。
好了，说清楚了。那么最大似然(maximum likelihood)和最大后验(maximum posteriori)又是什么呢。
关于这两者的不同，这篇文章讲得挺好的 http://www.cnblogs.com/emituofo/archive/2011/12/02/2271410.html
由于更多时候我们不知道先验概率p(h)，所以使用最大似然求解的情况比较多。但最大似然求解的前提是hypothesis均匀分布，所以求解没有最大后验准确。