你是对的，声明是错误的。这应该是一种可能性：

$$L(c \mid x=v)=\frac{1}{\sqrt{2\pi\sigma_c^2}}e^{-\frac{(v-\mu_c)^2}{2\sigma_c^2}}$$

可能性在这里适用，因为我们对一个点属于每个类的相对可能性感兴趣：

$$P(c=c' \mid x=v) = \frac{L(c=c' \mid x=v)}{\sum_{c_i} L(c=c_i \mid x=v)}.$$

如果您对冗长而严谨的解释感兴趣，请查看此出去。总而言之，这一切都归结为积分近似。要从变量的连续概率密度函数 (PDF) 中获取特定变量值的概率，请在宽度 epsilon 的区间内围绕所讨论的值积分 PDF，并在 epsilon 接近 0 时取该积分的极限。对于小epsilon，这个积分将等价于 epsilon 和相关变量值处 PDF 高度的乘积。通常，当 epsilon 接近 0 时，此表达式的限制为 0。但是，正如 Neil 在他的回答中提到的，在朴素贝叶斯的情况下，我们对条件概率的比率感兴趣。因为我们的比率的分子和分母都包含一个 epsilon 因子，所以这些 epsilon 因子抵消了。因此，