你说的对，$P(x)$是数据的基本分布，可以假设它是恒定的，仅仅是因为它独立于我们的建模实践。然而$P(x)$可能会随着时间逐渐变化，这种现象称为“分布偏移”。例如，一个国家的身高分布可能会随着时间的推移而变化。

请注意，“prior”是保留字$P(\theta)$这是贝叶斯建模中模型参数的分布。在非贝叶斯建模中，没有“先验”的概念。$P(x|\theta)$被称为可能性和$P(x)=\sum_{\theta}P(x|\theta)P(\theta)$被称为边缘化可能性（可能性边缘化模型参数）。

最大的后验定义通常是这样的：

$$\arg\max_{\theta} p(\theta|x) = \arg\max_{\theta} \frac{p(x|\theta)\cdot p(\theta)}{p(x)}$$

并鉴于独立于，它不需要找到，那么你有$p(x)$$\theta$$\arg\max_{\theta}$

$$\arg\max_{\theta} p(\theta|x) = \arg\max_{\theta} \frac{p(x|\theta)\cdot p(\theta)}{p(x)} = \arg\max_{\theta} p(x|\theta)\cdot p(\theta)$$

是的。大概任何“生成”数据的过程都会产生遵循某种分布的数据。只是一个数字，无论它是什么，它都是一个常数 wrt。$p(x)$$\theta$

我不会将称为先验，因为这意味着我们计算的数据存在一些后验概率。我们没有；这个过程并没有更新关于概率的信念。“先验”是指。$p(x)$$p(\theta)$

$p(x)$的值，则不能忽略 x) 。但通常你从后验分布中计算出来，你会得到一个封闭式的公式。$p(\theta|x)$