在朴素贝叶斯概率的m估计中应如何选择m？
对于这个例子 
我应该选择什么样的m值？我可以选择1吗。
这里p=先验概率=0.5。
那么我可以将P(a_i|selected)设为(n_c+ 0.5)/ (3+1)吗？
对于朴素贝叶斯文本分类，给定的P(W|V)=
书中说这是通过让均匀先验和m等于词汇表大小从m估计中采用的。
但如果我们只有2个类别，那么p=0.5。那么mp怎么会是1呢？不应该是|vocabulary|*0.5吗？这个方程是如何从m估计中得出的？
在计算属性职业的概率时，由于先验概率为0.5，并且选择m=1
P(teacher|selected)=(2+0.5)/(3+1)=5/8 P(farmer|selected)=(1+0.5)/(3+1)=3/8 P(Business|Selected)=(0+0.5)/(3+1)= 1/8 但类概率不应该加起来等于1吗？在这种情况下并非如此。
回答：
“m估计概率”令人困惑。
在给定的例子中，m和p应该像这样。
m = 3 (* 这可以是任何值。你可以指定这个。)p = 1/3 = |v| (* 特征中唯一值的数量)如果你使用m=|v| 那么m*p=1，所以这被称为拉普拉斯平滑。“m估计概率”是拉普拉斯平滑的广义版本。
在上面的例子中，你可能认为m=3太大了，那么你可以将m减少到0.2，像这样。
