The question that faces us now is h

The question that faces us now is how to compute these probabilities. To start
with, let’s focus on P(R|D). It’s not clear how we would go about calculating
this, but given information about the relevant set, we should be able to calculate
P(D|R). For example, if we had information about how often specific words
occurred in the relevant set, then, given a new document, it would be relatively
straightforward to calculate how likely it would be to see the combination of
words in the document occurring in the relevant set. Let’s assume that the probability
of the word “president” in the relevant set is 0.02, and the probability of
“lincoln” is 0.03. If a new document contains the words “president” and “lincoln”,
we could say that the probability of observing that combination of words in the relevant set is 0.02 × 0.03 = 0.0006, assuming that the two words occur independently.

So how does calculating P(D|R) get us to the probability of relevance? It
turns out there is a relationship between P(R|D) and P(D|R) that is expressed
by Bayes’ Rule:

ผลลัพธ์ (ไทย) 1:

คำถามที่หน้าเราตอนนี้คือ วิธีการคำนวณเหล่านี้น่าจะ การเริ่มต้นด้วย ลองเน้น P(R| ง) ไม่ชัดเจนว่าเราจะไปเกี่ยวกับการคำนวณนี้ แต่ได้รับข้อมูลเกี่ยวกับการตั้งค่าที่เกี่ยวข้อง เราจะสามารถคำนวณP(D| R) . ตัวอย่างเช่น ถ้าเรามีข้อมูลเกี่ยวกับว่าคำเฉพาะเกิดขึ้นในการตั้งค่าที่เกี่ยวข้อง แล้ว ก็ รับเอกสารใหม่ มันจะค่อนข้างตรงไปตรงมาเพื่อคำนวณว่ามันจะน่าจะเห็นการรวมกันของคำในเอกสารที่เกิดขึ้นในการตั้งค่าที่เกี่ยวข้อง ลองสมมติว่าความน่าเป็นคำว่า "ประธาน" ในชุดที่เกี่ยวข้องเป็น 0.02 และความน่าเป็นของ"ลินคอล์น" เป็น 0.03 ถ้าเอกสารใหม่ที่ประกอบด้วยคำ "ประธาน" และ "ลินคอล์น"เราอาจพูดได้ว่าน่าสังเกตกลุ่มผสมของคำในชุดเกี่ยวข้อง × 0.03 0.02 = 0.0006 สันนิษฐานว่า คำสองคำที่เกิดอิสระดังนั้น วิธี? P(D| คำนวณ R) ไปเราน่าเป็นความเกี่ยวข้องหรือไม่ มันเปิดออกมีเป็นความสัมพันธ์ระหว่าง P(R| D) และ P(D| R) ที่แสดงโดยกฎ Bayes':

ผลลัพธ์ (ไทย) 2:

คำถามที่ใบหน้าเราตอนนี้คือวิธีการคำนวณความน่าจะเป็นเหล่านี้ ในการเริ่มต้น
ด้วยขอเน้น P (R | D) มันไม่ชัดเจนวิธีการที่เราจะไปเกี่ยวกับการคำนวณ
นี้ แต่ได้รับข้อมูลเกี่ยวกับชุดที่เกี่ยวข้องเราควรจะสามารถที่จะคำนวณ
P (D | R) ตัวอย่างเช่นถ้าเรามีข้อมูลเกี่ยวกับวิธีการที่มักคำเฉพาะ
ที่เกิดขึ้นในชุดที่เกี่ยวข้องแล้วได้รับเอกสารใหม่ก็จะค่อนข้าง
ตรงไปตรงมาคำนวณว่ามีแนวโน้มที่มันจะเห็นการรวมกันของ
คำในเอกสารที่เกิดขึ้นในที่เกี่ยวข้อง ชุด สมมติว่าน่าจะเป็น
คำว่า "ประธาน" ในชุดที่เกี่ยวข้องคือ 0.02 และความน่าจะเป็นของ
"Lincoln" คือ 0.03 หากเป็นเอกสารใหม่ที่ประกอบด้วยคำว่า "ประธาน" และ "ลินคอล์น"
เราอาจกล่าวได้ว่าน่าจะเป็นของการสังเกตการรวมกันของคำที่อยู่ในชุดที่เกี่ยวข้องคือ 0.02 × 0.03 = 0.0006 สมมติว่าคำสองคำที่เกิดขึ้นอย่างอิสระ. ดังนั้นวิธีที่จะคำนวณ P (D | R) ได้รับเราไปน่าจะเป็นของความสัมพันธ์กันหรือไม่ มันจะเปิดออกมีความสัมพันธ์ระหว่าง P (R | D) และ P (D | R) ที่จะแสดงโดยกฎของเบย์:

ผลลัพธ์ (ไทย) 3:

คำถามที่หน้าเราตอนนี้คือวิธีการคำนวณความน่าจะเป็นเหล่านี้ ที่จะเริ่มต้น, ขอเน้น P ( r | D ) มันไม่ได้ชัดเจนว่าเราจะไปเกี่ยวกับการคำนวณนี้ แต่ให้ข้อมูลเกี่ยวกับการตั้งค่าที่เกี่ยวข้อง เราควรจะสามารถที่จะ คำนวณP ( D | R ) ตัวอย่างเช่น ถ้าเรามีข้อมูลเกี่ยวกับบ่อยเฉพาะคำเกิดในช่วงที่กำหนด แล้วให้เอกสารใหม่ก็จะค่อนข้างตรงไปตรงมาเพื่อคำนวณอย่างไรอาจจะเห็นการรวมกันของถ้อยคำในเอกสารที่เกิดขึ้นในการตั้งค่าที่เกี่ยวข้อง สมมติว่า ความน่าจะเป็นคำว่า " ประธาน " ในการตั้งค่าที่เกี่ยวข้องคือ 0.02 และความน่าจะเป็น" ลินคอล์น " คือ 0.03 . ถ้าเอกสารที่มีคำว่า " ประธาน " และ " ลินคอล์น "เราอาจกล่าวได้ว่าน่าจะเป็นของการสังเกตว่า การรวมกันของคำในการตั้งค่าที่เกี่ยวข้องคือ 0.02 × 0.03 = 0.0006 สมมติว่าสองคำนี้เกิดขึ้นอย่างอิสระดังนั้นวิธีคำนวณ P ( D | R ) ให้เรา โอกาสที่เกี่ยวข้อง ? มันปรากฎว่ามีความสัมพันธ์ระหว่าง p ( R | D ) และ P ( D | R ) ที่แสดงโดยกฎ Bayes " :