बेवकूफ Bayesian और शून्य आवृत्ति मुद्दा

Question

मुझे लगता है कि मैंने इसे सबसे अधिक सही ढंग से लागू किया है। एक भाग ने मुझे भ्रमित कर दिया:

शून्य आवृत्ति समस्या: प्रत्येक विशेषता मूल्य-वर्ग संयोजन (लैपलेस अनुमानक) के लिए गणना में 1 जोड़ें, जब प्रत्येक वर्ग मान के साथ एक विशेषता मान नहीं होता है।

//Clasify 
string text = "Claim your free Macbook now!"; 
double posteriorProbSpam = classifier.Classify(text, "spam"); 
Console.WriteLine("-------------------------"); 
double posteriorProbHam = classifier.Classify(text, "ham"); 

अब कहते हैं कि 'निःशुल्क' शब्द कहीं प्रशिक्षण डेटा में मौजूद है

//Training 
classifier.Train("ham", "Attention: Collect your Macbook from store."); 
*Lot more here* 
classifier.Train("spam", "Free macbook offer expiring."); 

लेकिन शब्द श्रेणी के लिए अपने प्रशिक्षण डेटा में मौजूद है:

यहाँ मेरे मुवक्किल कोड के कुछ है 'स्पैम' केवल 'हैम' में नहीं है। तो जब मैं posteriorProbHam की गणना करने के लिए जाता हूं, जब मैं 'मुक्त' शब्द में आता हूं तो मैं क्या करता हूं।

Answer 1

फिर भी एक जोड़ें। कारण: बेवकूफ बेयस मॉडल P("free" | spam) और P("free" | ham) पूरी तरह से स्वतंत्र होने के नाते, इसलिए आप प्रत्येक को पूरी तरह से स्वतंत्र रूप से अनुमानित करना चाहते हैं। P("free" | spam) के लिए आप जिस लैपलेस अनुमानक का उपयोग कर रहे हैं वह (count("free" | spam) + 1)/count(spam) है; P("ham" | spam) वही है।

यदि आप सोचते हैं कि इसका कोई मतलब नहीं है, तो यह वास्तव में समझ में नहीं आता है: हैम में "फ्री" एक बार देखकर स्पैम में "मुक्त" देखने की संभावना कम हो जाएगी।