令b是城市裡車為藍色的事件，g為車子是綠色的事件，e為觀察到車子為藍色的事件。則由已知條件可以得出p(b)=0.15，p(g)=p(~b)=0.85，至於p(e)我們一會兒再說。
貝葉斯裡面現象(新的證據)部分總是分兩種情況出現的：一是車子的確是藍色的，並且證人也正確的分辨出車是藍色的來了，概率為 p(e,b)=p(b)xp(e|b)=0.15x0.8=0.12，
二是車子根本就是綠色的，只是證人看成藍色的了，概率為p(e,~b)=p(~b)xp(e|~b)=p(~b)x（1 - p(~e|~b))=0.85x(1-0.8)=0.17，所以p(e)=p(e,b)+p(e,~b)=0.12+0.17=0.29
然後，我們要求解的其實是在有證人的條件下車子為藍色的概率，也就是p(b|e)=p(e,b)/p(e)=0.12/0.29=0.41**或參考：
貝葉斯公式與兩個概率有關係，乙個是先驗概率（基礎概率），乙個是現象概率（觀察到的條件）
仍然是熊貓給出的例子：某城市發生了一起汽車撞人逃跑事件，該城市只有兩種顏色的車，藍色15%，綠色85%，事發時有乙個人在現場看見了，他指證是藍車。但是根據專家在現場分析,當時那種條件能看正確的可能性是80%。那麼,肇事的車是藍車的概率到底是多少？
令b是城市裡車為藍色的事件，g為車子是綠色的事件，e為觀察到車子為藍色的事件。則由已知條件可以得出p(b)=0.15，p(g)=p(~b)=0.85，至於p(e)我們一會兒再說。
好了，現在，如果沒有證人看到肇事者車的話，那麼我們只能盲猜，因此肇事者的車子為藍色的概率只能是整個城市裡面車為藍色的概率，也就是先驗概率p(b)=0.15，因為這時我們還沒有其他證據介入，只能做個粗略的估算。
接下來，噹噹噹噹，有證人了。證人說他看到了車子，並且說是藍色的，注意，這分兩種情況，…………重要的事情說兩遍：貝葉斯裡面現象(新的證據)部分總是分兩種情況出現的：一是車子的確是藍色的，並且證人也正確的分辨出車是藍色的來了，概率為 p(e,b)=p(b)xp(e|b)=0.15x0.8=0.12，二是車子根本就是綠色的，只是證人看成藍色的了，概率為p(e,~b)=p(~b)xp(e|~b)=p(~b)x（1 - p(~e|~b))=0.85x(1-0.8)=0.17，所以p(e)=p(e,b)+p(e,~b)=0.12+0.17=0.29
然後，我們要求解的其實是在有證人的條件下車子為藍色的概率，也就是p(b|e)=p(e,b)/p(e)=0.12/0.29=0.41
你看，p(b|e)根本就是p(b)的加強版本，條件概率跟先驗概率描述的根本就是同一件事。那麼噹噹噹噹，又乙個結論來了：當有新的證據出現時，p(b|e)會替代原來p(b)的角色。換句話說，現在警察找到了乙個新的證人，他也覺得這輛肇事車是藍色的，這時在新一輪的貝葉斯概率計算中，基礎概率p(b)=0.41，而不是原先的0.15，大家可以算一下，新的p(b|e)=0.73，換句話說，當有兩個人看見肇事車輛為藍色的時候，對比只有乙個人看到肇事車輛為藍色的時候，該車實際為藍色的概率大大增加
貝葉斯公式
貝葉斯定理由 英國數學家貝葉斯 thomas bayes 1702 1763 發展，用來描述兩個條件 概率之間的關係，比如 p a b 和 p b a 按照 乘法法則 p a b p a p b a p b p a b 可以立刻匯出 如上公式也可變形為 p b a p a b p b p a 例如 ...
貝葉斯公式
貝葉斯定理由英國 數學家貝葉斯 thomas bayes 1702 1763 發展，用來描述兩個條件 概率之間的關係，比如 p a b 和 p b a 按照乘法法則 p a b p a p b a p b p a b 可以立刻匯出 貝葉斯定理公式 p a b p b a p a p b 如上公式也可...
貝葉斯公式
是基於樸素貝葉斯定理分類器，其計算過程是在訓練階段的時候，先計算每個分類的先驗概率p a 和各個分類下面特徵屬性的條件概率p b a 的過程 反推特徵 分類的條件概率 a b 取最大概率作為分類結果。貝葉斯定理 已知a 分類 的條件概率，b 某個特徵 在a發生後的條件概率，求a在b發生後的條件概率 ...