拉普拉斯平滑处理 Laplace Smoothing
2017-03-27 22:33
399 查看
其实就是计算概率的时候,对于分子+1,避免出现概率为0。这样乘起来的时候,不至于因为某个量x,在观察样本库(训练集)中没有出现过,会导致整个实例的概率结果是0。在文本分类的问题中,当一个词语没有在训练样本中出现,该词语调概率为0,使用连乘计算文本出现概率时也为0。这是不合理的,不能因为一个事件没有观察到就武断的认为该事件的概率是0。
相关文章推荐
- 拉普拉斯平滑处理 Laplace Smoothing
- 拉普拉斯平滑处理 Laplace Smoothing
- 平滑处理--拉普拉斯(Laplace Smoothing)
- 拉普拉斯平滑处理 Laplace Smoothing
- 拉普拉斯平滑处理 Laplace Smoothing
- 基于Eigen库的离散拉普拉斯平滑(Discretized Laplacian Smoothing)的C++非稀疏矩阵实现
- Naive Bayes与Laplace smoothing 朴素贝叶斯算法拉普拉斯平滑
- Laplace(拉普拉斯)平滑
- 神奇的拉普拉斯平滑(Laplacian Smoothing)及其在正则化上的应用~
- 斯坦福第五章:拉普拉斯平滑处理
- 神奇的拉普拉斯平滑(Laplacian Smoothing)及其在正则化上的应用~
- 图像处理滤波器(三)——高斯平滑滤波器(Gaussian Smoothing Filter)
- 斯坦福第五章:拉普拉斯平滑处理
- 图像处理常用算法GPU实现四:基于中值滤波的二值图像平滑
- Javascript图像处理之平滑处理
- 平滑(smoothing)
- OpenCV之图像平滑处理
- 图像平滑处理对比
- 拉普拉斯锐化处理
- 图像增强之模板处理——(加权均值、加权中值、拉普拉斯滤波,FFT、DCT变换)