我有一个与实现朴素贝叶斯分类器相关的概率/统计问题，特别是关于实现拉普拉斯平滑以避免零计数问题和过度拟合。
从我读过的内容来看，使用MLE的基本NBC公式如下所示：
p(C│F_1 ...F_n )=(p(C)p(F_1 |C)...p(F_n |C))/(p(F_1)...p(F_n))
然而，如果p（F_i | C）中的一个为零，则整个概率变为0.一个解决方案是Lapace光滑
p(F_i│C)~(x_i+k)/(N+kd)
其中x_i是F_i出现在C类中的次数，N是C类出现的次数，d是已知F_i的不同值的数量。
我的问题是：
如果需要对分子中的p（C）和分母中的p（F_i）做任何事情，该怎么办？
答案 0 :(得分：0)
设f =（f_1 ... f_n）。拉普拉斯平滑影响类似然项p（f | C）。它不会影响先前的p（C）类。它确实对f的边际概率有影响：
p（f）= \ sum_c p（C）* p（f | C）
如果拉普拉斯平滑，那么术语p（f | C）就不同了。但由于所有C的分母都是不变的，所以无论如何你都不应该费心去评估它。
P.S。这不是一个编程问题！