我在 python 中从头设计了 NB 分类器来解决二进制分类问题。共有 220 条记录，其中 85 条属于“是”类，135 条属于“否”类。我的分类器给出了 88% 的准确率。
因此，每当我计算一个属于“是”类的样本的后验概率时，它的数字非常低。例如，我正在预测击球手是否是后起之秀（即样本的概率属于“是”类）。
在这里，成为后起之秀的后验概率，即 P(RS) 在数字上非常低，例如 2.33E-8。但在 E-8 到 E-16 的范围内，不是后起之秀的后验概率也非常低。我用来计算后验概率的一些特征也是 0.1 到 0.01 范围内的小值。
我的问题是如何用百分比表示后验概率，即 P(RS)。如 P(RS)=90%。
PS：我用谷歌搜索了这个问题并尝试了返回负值的 log 方法。
如果您没有更多地描述您的计算或显示代码，我无法肯定地告诉您，但我的猜测是您实际上并没有在这里计算后验概率。我敢打赌这只是条件可能性，或者充其量是非标准化的后验。请记住：后验计算具有除法成分。你的呢？您可能忘记除以“证据”。
这个问题有点模糊，所以如果我没有明白这一点，请评论我。你有一个二元分类问题，你想用 NB 来解决它。好吧，然后你通过贝叶斯公式：
这是给定样本点的每个类的表示，即这种表示根据特征值而变化。每个类的简单百分比不需要NB。
如果验证集上一个类的预测概率很低，则意味着它们不是来自该类！如需更详细的答案，请说明您是如何设置训练/测试拆分的，这些小数字是什么？
如果某些数字很奇怪，那么您可能还需要附上您的代码。
更新
我的问题是如何用百分比表示后验概率，即 P(RS)。如 P(RS)=90%。
当你得到概率时，它的 100 倍就是百分比。所以让我们关注概率。
上述公式为分类而简化。完整的公式是
由于分子是概率，所以它在 0 和 1 之间，它增加了整个分数，但它不用于分类任务，因为它实际上是恒定的！因此，当您想查看后验概率（百分比）时，也许将其包含在您的公式中可以解决您的问题。
希望能帮助到你！