00005. 在朴素Bayes模型中，为什么需要Laplace平滑？

统计学上，在计算实例的概率时，如果某个量x，在观察样本库（训练集）中没有出现过，会导致整个实例的概率结果是0。然而只因为在以前的有限的训练数据集中没见到过一件事，就估计这个事件的概率为零，这明显是不合理的。

为了解决零概率的问题，法国数学家拉普拉斯最早提出用加1的方法估计没有出现过的现象的概率，所以加法平滑也叫做拉普拉斯平滑。
　　假定训练样本很大时，每个分量的计数加造成的估计概率变化可以忽略不计，但可以方便有效地避免零概率问题。