我试图使用朴素贝叶斯分类器对我的数据集进行分类。我的问题是：
1-通常当我们尝试计算相似之处时，我们使用公式：
P（c | x）= P（c | x1）* P（c | x2）* ... P（c | xn）* P（c）。但是在一些例子中它说为了避免得到非常小的结果我们使用P（c | x）= exp（log（c | x1）+ log（c | x2）+ ... log（c | xn）+ logP （C））。任何人都可以向我解释这两个公式之间的区别，他们是否都用来计算＆＃34; likehood＆＃34;或者，第二个用于计算一些名为＆＃34;信息获取的东西＆＃34;。
2-在某些情况下，当我们尝试对数据集进行分类时，某些关节为空。一些人使用＆＃34; LAPLACE平滑＆＃34;技术，以避免零关节。这种技术不会影响我们分类的准确性吗？
提前感谢您的所有时间。我是这个算法的新手，并试图了解更多相关信息。那么我应该阅读哪些推荐的论文？非常感谢。
答案 0 :(得分：0)
我会先解决你的第一个问题，假设你在第二个等式中丢失了大部分P。我认为你最终推动的方程是：
log P(c|x) = log P(c|x1) + log P(c|x2) + ... + log P(c)
如果是这样，这些例子指出，在许多统计计算中，使用分布函数的对数通常更容易，而不是分布函数本身。
实际上，它与许多统计分布涉及指数函数的事实有关。例如，您可以通过求解数学上不那么复杂的问题（如果我们正在经历整个形式化的导数并找到方程根）来找到最大高斯分布K*exp^(-s_0*(x-x_0)^2)的位置找到最大值其对数K-s_0*(x-x_0)^2出现。
这导致许多地方“取两边的对数”是优化计算中的标准步骤。
此外，从计算上讲，当您优化可能涉及许多乘法项的似然函数时，添加小浮点数的对数不太可能导致数值问题，而不是将小浮点数相乘。