我完全同意 Esmailian 的观点。

朴素贝叶斯是朴素的——假设独立。

脚步：

• 独立计算
• 使用拉普拉斯平滑进行平滑（以避免将整个值归零）

附加提示：

• 使用对数而不是乘以概率。（这将确保您的值不会接近于零，并保留一些上下文。）

例子：

应用对数，

由于您需要最终分类，因此记录日志不会受到伤害。

朴素贝叶斯分别考虑每个特征，即特征在给定类的情况下是独立的。确切的 X 不在训练数据中，但它的每个特征都曾见过。

但是，根据训练数据（0 除以 6），P(own_house=true|No) 仍然存在问题，该值为零。为此，我们使用拉普拉斯平滑将零替换为 (0+1)/(6+4)=1/10。现在，朴素贝叶斯可以将 X 分配给一个类。

朴素贝叶斯分类器比较

P(X, Class=Yes) = P(Class=Yes) * P(Age=middle|Yes) * P(has_job=false|Yes) * P(own_house=true|Yes) * P(credit_rating=good|Yes) ) = 9/15 * 3/9 * 4/9 * 6/9 * 4/9 = 0.0263

和

P(X, Class=No) = P(Class=No) * P(Age=middle|No) * P(has_job=false|No) * P(own_house=true|No) * P(credit_rating=good|No ) = 6/15 * 2/6 * 6/6 * 1/10 * 2/6 = 0.0044

并将 X 分配给 Class = Yes。