条件概率及条件概率分布又称条件分布
条件概率及条件概率分布又称条件分布是错误的。
条件概率和条件分布在表达方式上有些不同。条件概率是指在一个事件已经发生的条件下，另外一个事件发生的概率；而条件分布则是指在一个条件已经给定的情况下，一个随机变量的概率分布。
例如，假设有一批数据，其中包含人们的年龄和性别信息。这里的条件可以是性别为女性。那么女性年龄在18至25岁之间的概率，就可以用条件概率来表示。而如果要表示女性年龄在18至25岁之间的分布，就可以使用条件分布。
二维随机向量（X，Y）中，X与Y的相互关系除了独立以外，还有相依关系，即随机变量的取值往往彼此是有影响的，这种关系用条件分布能更好地表达出来。对于二维随机向量（X，Y），所谓随机变量X的条件分布，就是在Y=y的条件下X的分布函数。
比如，记X为人的体重，Y为人的身高，则X与Y一般有相依关系，如果限定Y=172（cm），在这个条件下体重X的分布显然与X的无条件分布有很大不同。
条件概率是指事件A在另外一个事件B已经发生条件下的发生概率。条件概率表示为：P（A|B），读作“在B条件下A的概率”。条件概率可以用决策树进行计算。条件概率的谬论是假设P（A|B）大致等于P（B|A）。
条件分布的应用：
1、贝叶斯分类器
贝叶斯分类器是一个基于贝叶斯定理的分类器，它可以将数据集中的元素分为不同的类别。在这个过程中，贝叶斯分类器就需要利用条件分布，来计算每个元素被分到每个类别的概率。
2、聚类分析
聚类分析是一种数据挖掘技术，可以将数据集中的元素分成不同的组。其中一个关键的步骤是根据条件分布，计算每个元素距离不同组的中心点的距离。这个计算过程可以使用一种叫做K-means的算法来实现。
3、回归分析
回归分析是一种经典的机器学习方法，用于建立数据集中变量之间的数学关系。在这个过程中，条件分布可以用于计算一个变量对其他变量的影响程度，以及这种影响程度的方向。
