The left-hand side of this equation

The left-hand side of this equation is known as the likelihood ratio. In most classification
applications, such as spam filtering, the system must decide which class
the document belongs to in order to take the appropriate action. For information
retrieval, a search engine only needs to rank documents, rather than make that decision
(which is hard). If we use the likelihood ratio as a score, the highly ranked
documents will be those that have a high likelihood of belonging to the relevant
set.
To calculate the document scores, we still need to decide how to come up
with values for P(D|R) and P(D|NR). The simplest approach is to make the
same assumptions that we made in our earlier example; that is, we represent documents
as a combination of words and the relevant and non-relevant sets using
word probabilities. In this model, documents are represented as a vector of binary
features,D = (d1, d2, . . . , dt), where di = 1 if term i is present in the document,
and 0 otherwise. The other major assumption we make is term independence (also
known as the Naïve Bayes assumption). This means we can estimate P(D|R) by
the product of the individual term probabilities
Πt
i=1 P(di|R) (and similarly for
P(D|NR)). Because this model makes the assumptions of term independence
and binary features in documents, it is known as the binary independence model.
Words obviously do not occur independently in text. If the word “Microsoft”
occurs in a document, it is very likely that the word “Windows” will also occur.
The assumption of term independence, however, is a common one since it usually
simplifies the mathematics involved in the model. Models that allow some form
of dependence between terms will be discussed later in this chapter.
Recall that a document in this model is a vector of 1s and 0s representing the
presence and absence of terms. For example, if there were five terms indexed, one
of the document representations might be (1, 0, 0, 1, 1), meaning that the document
contains terms 1, 4, and 5. To calculate the probability of this document
occurring in the relevant set, we need the probabilities that the terms are 1 or 0
in the relevant set. If pi is the probability that term i occurs (has the value 1) in
a document from the relevant set, then the probability of our example document
occurring in the relevant set is p1 × (1 − p2) × (1 − p3) × p4 × p5. The probability
(1 − p2) is the probability of term 2 not occurring in the relevant set. For
the non-relevant set, we use si to represent the probability of term i occurring.
Going back to the likelihood ratio, using pi and si gives us a score of

ผลลัพธ์ (ไทย) 1:

ด้านซ้ายของสมการนี้เรียกว่าอัตราส่วนความเป็นไปได้ ในการจัดประเภทมากที่สุดการใช้งาน เช่นสแปม ระบบต้องตัดสินใจคลาใดเอกสารเป็นการกระทำเหมาะสม สำหรับข้อมูลเรียก โปรแกรมค้นหาเฉพาะต้องจัดลำดับเอกสาร มากกว่าตัดสินใจที่(ซึ่งได้ยาก) ถ้าเราใช้อัตราส่วนโอกาสเป็นคะแนน อันดับสูงเอกสารจะเป็นผู้ที่มีโอกาสสูงเป็นของเกี่ยวข้องตั้งค่าการคำนวณคะแนนเอกสาร เรายังคงต้องตัดสินใจว่า จะเกิดขึ้นมีค่าสำหรับ P(D| R) และ P(D| NR) วิธีที่ง่ายที่สุดคือการ ทำให้การสมมติฐานเดียวกันกับที่เราทำในตัวอย่างก่อนหน้านี้ นั่นคือ เราเป็นตัวแทนเอกสารเป็นการรวมกันของคำ และที่เกี่ยวข้อง และไม่เกี่ยวข้องกับตั้งค่าการใช้คำน่าจะ ในรุ่นนี้ เอกสารจะแสดงเป็นเวกเตอร์ของไบนารีห้อง D = (d1, d2,..., dt), ที่ di = 1 ถ้าระยะฉันมีอยู่ในเอกสารและ 0 อื่น สมมติฐานอื่นที่สำคัญเราเป็นเอกราชระยะ (เรียกว่าสมมติฐาน Bayes ไร้เดียงสา) ซึ่งหมายความว่า เราสามารถประมาณ P(D| R) โดยผลิตภัณฑ์ของน่าจะแต่ละΠtฉัน = 1 P(di| R) (และในทำนองเดียวกันP(D| NR)) เพราะรุ่นนี้ทำให้สมมติฐานของเอกราชระยะและคุณสมบัติไบนารีในเอกสาร เป็นที่รู้จักกันแบบอิสระไบนารีคำชัดไม่เกิดขึ้นอย่างอิสระในข้อความ ถ้าคำว่า "Microsoft"เกิดขึ้นในเอกสาร มีแนวโน้มว่า "Windows" จะเกิดขึ้นสมมติฐานระยะเอกราช อย่างไรก็ตาม คือ หนึ่งพบบ่อย เพราะมันมักจะคณิตศาสตร์ที่เกี่ยวข้องในรูปแบบช่วยให้ง่ายขึ้น รุ่นที่ทำให้บางรูปแบบการพึ่งพาอาศัยกันระหว่างเงื่อนไขจะกล่าวถึงในบทนี้เรียกว่า เอกสารในรูปแบบนี้เป็นเวกเตอร์ของ 1s และ 0s ในการแทนแสดงตนและไม่มีเงื่อนไข ตัวอย่างเช่น ถ้ามี เงื่อนไข 5 ดัชนี หนึ่งเอกสาร รับรองอาจเป็น (1, 0, 0, 1, 1) , หมายความ ว่า เอกสารประกอบด้วยข้อ 1, 4 และ 5 การคำนวณความน่าเป็นของเอกสารนี้เกิดขึ้นในการตั้งค่าที่เกี่ยวข้อง เราต้องการน่าจะมีเงื่อนไข 1 หรือ 0ในการตั้งค่าที่เกี่ยวข้อง ถ้า pi เป็นความน่าเป็นคำที่ เกิด (มีค่า 1) ในเอกสารจากการตั้งค่าที่เกี่ยวข้อง แล้วน่าเป็นของเราตัวอย่างเอกสารเกิดขึ้นในชุดที่เกี่ยวข้องคือ p1 × (1 − p2) × (1 − p3) × p4 × p5 ความน่าเป็น(1 − p2) คือระยะ 2 ไม่เกิดขึ้นในชุดที่เกี่ยวข้อง สำหรับชุดไม่เกี่ยวข้อง เราใช้ศรีเพื่อแสดงความน่าเป็นระยะเวลาของผมเกิดขึ้นกลับไปที่อัตราส่วนโอกาส ใช้ pi และศรีให้คะแนน

ผลลัพธ์ (ไทย) 2:

ด้านซ้ายมือของสมการนี้เป็นที่รู้จักกันเป็นอัตราส่วนความเป็นไปได้ ในการจำแนกประเภทมากที่สุด
การใช้งานเช่นการกรองสแปมระบบจะต้องตัดสินใจว่าชั้น
เอกสารเป็นของเพื่อที่จะใช้ดำเนินการที่เหมาะสม สำหรับข้อมูล
การดึงเป็นเครื่องมือค้นหาเพียงความต้องการในการจัดอันดับเอกสารมากกว่าการตัดสินใจที่
(ซึ่งเป็นเรื่องยาก) ถ้าเราใช้อัตราส่วนเป็นคะแนนการจัดอันดับสูง
เอกสารจะเป็นผู้ที่มีโอกาสสูงที่อยู่ในที่เกี่ยวข้อง
ชุด.
ในการคำนวณคะแนนเอกสารที่เรายังคงต้องตัดสินใจว่าจะเกิดขึ้น
กับค่า P (D | R) และ P (D | NR) วิธีที่ง่ายที่สุดคือการทำให้
สมมติฐานเดียวกับที่เราทำในตัวอย่างก่อนหน้านี้ของเรา นั่นก็คือเราเป็นตัวแทนของเอกสาร
การรวมกันของคำและชุดที่เกี่ยวข้องและไม่เกี่ยวข้องโดยใช้
ความน่าจะเป็นคำว่า ในรูปแบบนี้เอกสารที่จะแสดงเป็นเวกเตอร์ของไบนารี
คุณสมบัติ, D = (D1, D2,..., DT) ซึ่ง di = 1 หากระยะเวลาที่ผมมีอยู่ในเอกสาร
และ 0 เป็นอย่างอื่น สมมติฐานที่สำคัญอื่น ๆ ที่เราทำคือความเป็นอิสระระยะ (ยังเป็น
ที่รู้จักกันเป็นสมมติฐานNaïve Bayes) ซึ่งหมายความว่าเราสามารถประมาณการ P (D | R) โดย
ผลิตภัณฑ์ที่มีความน่าจะเป็นระยะแต่ละ
Πt
i = 1 P (di | R) (และในทำนองเดียวกันสำหรับ
P (D | NR)) เพราะรุ่นนี้ทำให้สมมติฐานของความเป็นอิสระคำ
และคุณสมบัติไบนารีในเอกสารที่เป็นที่รู้จักกันเป็นแบบอิสระไบนารี.
คำอย่างเห็นได้ชัดไม่ได้เกิดขึ้นอย่างอิสระในข้อความ ถ้าคำว่า "ไมโครซอฟท์" การ
เกิดขึ้นในเอกสารก็มีโอกาสมากว่าคำว่า "Windows" นอกจากนี้ยังจะเกิดขึ้น.
สมมติฐานของความเป็นอิสระระยะ แต่เป็นหนึ่งที่พบบ่อยเพราะมันมักจะ
ช่วยลดความยุ่งยากทางคณิตศาสตร์ที่เกี่ยวข้องในรูปแบบ รุ่นที่ช่วยให้รูปแบบบางส่วน
ของการพึ่งพาอาศัยระหว่างคำจะได้รับการกล่าวถึงในบทนี้.
จำได้ว่าเอกสารในรูปแบบนี้เป็นเวกเตอร์ของ 1 และ 0 เป็นตัวแทนของ
การแสดงตนและการขาดของข้อตกลง ตัวอย่างเช่นถ้ามีห้าข้อตกลงการจัดทำดัชนีหนึ่ง
ของการแสดงเอกสารที่อาจจะ (1, 0, 0, 1, 1) ความหมายว่าเอกสารที่
มีคำที่ 1, 4, และ 5 ในการคำนวณความน่าจะเป็นของเอกสารนี้
เกิดขึ้น อยู่ในชุดที่เกี่ยวข้องที่เราต้องความน่าจะเป็นว่าคำที่มี 1 หรือ 0
อยู่ในชุดที่เกี่ยวข้อง ถ้าพี่น่าจะเป็นคำว่าฉันเกิดขึ้น (มีค่า 1) ใน
เอกสารจากชุดที่เกี่ยวข้องแล้วน่าจะเป็นของเอกสารตัวอย่างของเรา
ที่เกิดขึ้นในชุดที่เกี่ยวข้องคือ P1 × (1 - P2) × (1 - P3) × P5 × P4 ความน่าจะเป็น
(1 - P2) เป็นความน่าจะเป็นระยะที่ 2 ไม่ได้เกิดขึ้นในชุดที่เกี่ยวข้อง สำหรับ
ชุดที่ไม่เกี่ยวข้องเราจะใช้ si เพื่อเป็นตัวแทนของความน่าจะเป็นคำที่เกิดขึ้นผม.
จะกลับไปที่อัตราส่วนการใช้ปี่และศรีช่วยให้เรามีคะแนนของ

ผลลัพธ์ (ไทย) 3:

ด้านซ้ายของสมการนี้เรียกว่าอัตราส่วนความน่าจะเป็น ในการจัดมากที่สุดการใช้งาน เช่น การกรองสแปม ระบบจะต้องตัดสินใจเรียนที่เอกสารที่เป็นของเพื่อรับการกระทำที่เหมาะสม สำหรับข้อมูลกู้คืน , เครื่องมือค้นหาการจัดอันดับเอกสารมากกว่าการตัดสินใจว่า( ซึ่งยาก ) ถ้าเราใช้อัตราส่วนความน่าจะเป็นเป็นคะแนนสูงอันดับเอกสารนั้นจะเป็นสิ่งที่มีความเป็นไปได้สูงที่เกี่ยวข้องชุดหาเอกสารคะแนน เรายังต้องตัดสินใจว่า จะมาอัพกับค่า P ( D | R ) และ P ( D | NR ) วิธีที่ง่ายที่สุดคือ ให้สมมติฐานเดิมที่เราทำในตัวอย่างก่อนหน้านี้ นั่นคือ เราเป็นตัวแทนของเอกสารเป็นการรวมกันของคำและที่เกี่ยวข้อง และไม่ใช้ชุดที่เกี่ยวข้องน่าจะเป็นคำที่ ในรูปแบบนี้ เอกสารจะแสดงเป็นเวกเตอร์ของไบนารีคุณสมบัติ , D = ( D1 , D2 , . . . . . . . . DT ) , , = 1 ถ้าศัพท์ไหนที่ผมมีอยู่ในเอกสารและ 0 เป็นอย่างอื่น หลักอื่น ๆเราให้สมมติฐานเป็นเงื่อนไขความเป็นอิสระ ( ยังเรียกว่าสมมติฐาน na ไตได้ Bayes ) ซึ่งหมายความว่า เราสามารถประมาณค่า P ( D | R ) โดยผลิตภัณฑ์ของแต่ละระยะความน่าจะเป็นΠ Tฉัน = 1 P ( di | R ) ( และในทำนองเดียวกันสำหรับP ( D | NR ) ) เพราะรุ่นนี้ทำให้สมมติฐานของระยะอิสระไบนารีและคุณสมบัติในเอกสาร มันเป็นที่รู้จักกันเป็นแบบ อิสระ แบบไบนารีคำพูดก็ไม่ได้เกิดขึ้นอย่างอิสระในข้อความ ถ้าคำว่า " Microsoft "ที่เกิดขึ้นในเอกสาร ก็มีแนวโน้มมากว่า คำว่า " Windows " ก็จะเกิดขึ้นสมมติฐานของระยะอิสระ อย่างไรก็ตาม การเป็นหนึ่งที่พบบ่อย เพราะปกติแล้วลดความซับซ้อนของคณิตศาสตร์ที่เกี่ยวข้องในรูปแบบ รุ่นที่ช่วยให้บางรูปแบบของการพึ่งพาระหว่างเงื่อนไขจะกล่าวถึงในภายหลังในบทนี้จำได้ว่า เอกสารในรูปแบบนี้เป็นเวกเตอร์และเป็นตัวแทนของ 1s ในปีการแสดงและการขาดงานของเงื่อนไข ตัวอย่างเช่น หากมีห้าด้านดัชนีหนึ่งของเอกสารรับรองอาจจะ ( 1 , 0 , 0 , 1 , 1 ) หมายความว่า เอกสารมีรูป 1 , 4 , และ 5 เพื่อคำนวณความน่าจะเป็นของเอกสารนี้ที่เกิดขึ้นในการตั้งค่าที่เราต้องการความน่าจะเป็นที่เทอม 1 หรือ 0ในการตั้งค่าที่เกี่ยวข้อง ถ้าพีมีความเป็นไปได้ ที่ระยะผมเกิดขึ้น ( มี 1 )เอกสารจากการตั้งค่าที่เกี่ยวข้องแล้ว ความน่าจะเป็นของเอกสารตัวอย่างของเราที่เกิดขึ้นในการตั้งค่าที่เกี่ยวข้อง ( 1 −× P1 P2 ) × ( 1 − P3 P4 ) ×× P5 . ความน่าจะเป็น1 − P2 ) ความน่าจะเป็นของเทอม 2 ไม่เกิดขึ้นในการตั้งค่าที่เกี่ยวข้อง สำหรับไม่ที่เกี่ยวข้องชุด เราจะใช้ชีแสดงความน่าจะเป็นของคำที่ฉันเกิดขึ้นกลับไปที่อัตราส่วนความน่าจะเป็นด้วย พี และ ซี จะช่วยให้เราให้คะแนน