知识卡片

普通读书笔记卡 · 9912.a.4 · 生成模型:GPT-6

类别内独立简化文本建模

理解等级:中级

朴素贝叶斯在给定类别后近似认为词特征独立,可把各词条件概率相乘并与类别先验组合。用对数把连乘改为求和,可减少数值下溢。平滑可以防止训练时没出现的词给整个类别打上零概率。词语相关时概率数值可能失准。

这张卡片看不懂?

已有反馈 · 0 条

    还没有人提交反馈。

    在整书笔记中的位置

    原书出处 · 1 处

    • 朴素贝叶斯算法 8.4 · 查看原书依据

      提取每一个词。然后,计算每个词语在正常邮件和垃圾邮件中出现的频率。比如,我们假定“sex”这个词,在4000封垃圾邮件中,有200封包含这个词,那么它的出现频率就是5%;而在4000封正常邮件中,只有2封包含这个词,

    参考来源

    - 位置:《AI制胜:机器学习极简入门》第8章 朴素贝叶斯算法 §8.4(来源项目 book-source:extracted/AI制胜:机器学习极简入门/_epub-src/OEBPS/Text/chapter8.xhtml#isbn9787302555513_8_1_4) - 结论依据:章首给出条件独立假设,本节用两类邮件的词频说明条件概率估计和避免零概率。 - 原始内容:提取每一个词。然后,计算每个词语在正常邮件和垃圾邮件中出现的频率。比如,我们假定“sex”这个词,在4000封垃圾邮件中,有200封包含这个词,那么它的出现频率就是5%;而在4000封正常邮件中,只有2封包含这个词,