假设我有一个训练集，包含以下数据：
Type | Size | Price | Rating | SUGGESTION---------------------------------------------------Shirt M Budget 0 BadTrouser L Budget 4.2 GoodShirt M Expensive 2.3 Good....etc....这里我将SUGGESTION视为当提供输入样本时需要建议的类别。也就是说，当给定一个与训练数据集不同的输入样本时，我们需要判断它是Good还是Bad。
我能够理解基于互联网上找到的示例进行的概率计算：
数据集： 
输入样本的计算： 
在我的数据集中存在疑问的是，我有一个名为Rating的列。对于该列，我们也像其他列（如上面的截图所示）那样进行概率计算吗？还是需要为这一特定列的值考虑其他方法？比如使用均值和标准差？
谢谢
回答：
“Size”和“Price”列表示分类数据（实际上是序数数据，但这是另一个话题）。虽然你也可以将“Rating”建模为分类值，但这可能不是一个好主意，最好将你的数据建模为数值数据。原因如下。
将数据视为分类和数值的区别在于不同的值。假设你有三个x的观测值：x=12，x=13，x=1344。问题是：P(x=12)，P(x=1344)和P(x=13)的概率差异有多大？答案在很大程度上取决于这些值代表的数据类型。
例如，如果x表示用户ID或其他排序无关紧要的东西，这些概率可以任意不同。但如果x表示，例如，支付率，那么显然12和13之间的差异与第三个值相比并不大。
这也有助于你推断更多关于数据的知识。例如，数据集中可能没有4.9的值，但有很多4.8和5.0。你的模型会在这两者之间“插值”，即使数据集中没有4.9，也会为其提供一个概率。
因此，是的，你应该为评级数据使用数值分布（例如高斯分布）。我还建议进行一些清理：显然，0代表“未评级”而不是“极差”，所以你可能需要告诉你的模型这一点（例如，用平均评级替换0）。
