知识卡片
零频率需要区分未见与不可能
某类别下未出现某特征值时,朴素频率估计给零似然,会把整个类别乘积变零。有限数据未见不证明真实不可能,平滑可加入明确先验假设;本例只按未平滑计数演示,不宣称已验证现实行为。
这张卡片看不懂?
这张卡片已通过人工审查,不再接受失败反馈。
已有反馈 · 0 条
还没有人提交反馈。
在整书笔记中的位置
- · 监督学习模型
原书出处 · 1 处
- · 查看原书依据
P(Cloudy|N) = 0 Rainy P(Rainy|Y) = 3/9 P(Rainy|N) = 3/6 Outside Temp. Possible Outcomes Y N Hot P(Hot|Y) = 2/9 P(Hot|N) = 2/6 Moderate P(Moderate|Y) = 4/9 P(Moderate|N) = 2/6 Cold
参考来源
- 位置:《Machine Learning Fundamentals: Concepts, Models, and Applications》第06章《监督学习模型》(来源项目:a19c7933-4eda-4176-aebd-30fe7e1ad292;源文件:extracted/Machine Learning Fundamentals: Concepts, Models, and Applications/_epub-src/OEBPS/xhtml/19_chapter06.xhtml)
- 结论依据:摘录中关于零频率需要区分未见与不可能的定义、比较或条件支撑卡片;原书表述不严谨的范围已在覆盖记录逐项限定,不把案例结果外推为普遍结论。
- 原始内容:P(Cloudy|N) = 0 Rainy P(Rainy|Y) = 3/9 P(Rainy|N) = 3/6 Outside Temp. Possible Outcomes Y N Hot P(Hot|Y) = 2/9 P(Hot|N) = 2/6 Moderate P(Moderate|Y) = 4/9 P(Moderate|N) = 2/6 Cold