我正在学习 Jurafsky & Manning 的 Coursera NLP 课程，而关于 Good-Turing 平滑的讲座让我感到奇怪。

给出的例子是：

您正在钓鱼（来自 Josh Goodman 的场景），钓到了：
10 条鲤鱼、3 条鲈鱼、2 条白鲑、1 条鳟鱼、1 条鲑鱼、1 条鳗鱼 = 18 条鱼
……
下一个物种是新物种的可能性有多大（即鲶鱼或低音）
让我们使用我们对事物的估计——我们见过——一次来估计新事物。
3/18（因为 N_1=3）

我的直觉是使用唯一可见项目的数量来估计不可见项目类型的数量（N = 3），但接下来的步骤似乎违反直觉。

为什么分母保持不变，而不是根据看不见的项目类型的估计值增加？即，我希望概率变为：

鲤鱼：10 / 21
鲈鱼：3 / 21
白鱼：2 / 21
鳟鱼：1 / 21
三文鱼：1 / 21
鳗鱼：1 / 21
新鲜事物：3 / 21

似乎 Good-Turing 计数对所见物品的惩罚过多（鳟鱼、鲑鱼和鳗鱼各减至 1/27）；再加上需要调整计数差距的公式（例如，否则 Perch & Carp 将被归零），感觉就像一个糟糕的 hack。