贝叶斯公式、先验概率、后验概率

先验概率：

        在缺少某个前提下的变量概率，在机器学习中就是没有训练样本，在训练之前的初始概率：P（w）

后验概率：

        在有了样本数据以后，对变量进行概率的修正，得到的概率就是后验概率，，例如g是样本，则后验概率是：P（w | g）

贝叶斯公式：

        从形式上讲，贝叶斯公式通过先验概率和似然函数求取后验概率。

         P（w | g）= P(w) P(g | w)   /   P(g)

R 语言贝叶斯公式计算例子：

         

        先验概率： 机器的状态有两种，工作working（概率是：0.9），或者损坏broken（概率是：0.1）

        似然概率： 在两种状态下，结果有好坏两种， good or broken

	good	broken
working	0.95	0.05
broken	0.7	0.3

         然后给出一组结果， "g", "b", "g",