Naive Bayes: 为什么需要拉普拉斯平滑？给出公式。

Core Concept: 防止某特征未在类中出现导致概率为 0、整乘积归零。

零概率问题：若某特征值在训练集的某类别中从未出现（N_{jy}=0），则 P(xⱼ|y)=0，导致整个乘积 ΠP(xⱼ|y)=0，该类别被完全排除——即使其他所有特征都强烈支持它。这对稀有特征与测试集中出现的新值尤其致命。<strong>拉普拉斯平滑</strong>（α=1）的解法是给每个计数加 1：P(xⱼ|y)=(N_{jy}+1)/(N_y+|V|)，其中 |V| 是特征取值数（分母加 |V| 保证概率和为 1）。一般形式（Lidstone 平滑）用 α 替代 1：P=(N_{jy}+α)/(N_y+α|V|)。<strong>贝叶斯解释</strong>：拉普拉斯平滑等价于给每个特征取值加一个均匀先验（Dirichlet(α,…,α) 先验的 MAP 估计），α 是'伪计数'。

实践要点：① <strong>α 的选择</strong>——α=1（拉普拉斯）最常见；α<1（如 0.1、0.01）在数据量大时更优（弱先验，减少偏差）；α 过大会过度平滑（把分布拉向均匀，损失信息）。可用交叉验证选 α。② <strong>对多项/伯努利 NB 的差异</strong>——多项 NB 的分母是 N_y+α|V|（|V| 为词表大小），伯努利 NB 的分母是 N_y+2α（每个特征只有出现/不出现两种取值，需显式建模'不出现'）。③ <strong>与零概率的替代方案</strong>——也可用'未见词回退到全局频率'或'加一个小的全局概率下限'，但平滑更系统。④ <strong>平滑的必要性随数据量下降</strong>——大数据下未出现值很少，α 的影响小；小数据或高基数特征（如文本词表）下平滑至关重要。