[MÚSICA] Ahora que revisamos los 
conceptos básicos de probabilidad, vamos a averiguar cómo pueden
ser útiles en el problema de clasificación. Si tomamos nuestras dos oraciones,
una que era definitivamente un +1, o sea positiva, "el sushi y todo lo demás
estuvo increíble!" Y la otra que no estábamos seguros,
"el sushi estuvo bueno, el servicio fue bueno". Para la primera, podríamos decir que
la probabilidad que sea una opinión positiva para esta oración, es muy alta. Así que la probabilidad que y=+1 
dada la oración, es 0.99. Para la otra, la probabilidad que
y=+1 dada la oración "el sushi estuvo bueno, el servicio fue bueno".
es sólo 0.55. Y en general, muchos clasificadores
producen este grado de creencia, o esta probabilidad. Así que la probabilidad de la
etiqueta de salida 'y' dada una entrada 'x', va a ser extremadamente útil
en la práctica. Así que veamos un pequeño
ejemplo de lo que significa. Digamos que se nos da como entrada
un conjunto de N datos. Tienen como entradas
número de increíbles, número de horribles y la etiqueta 'y'. Y los usamos para entrenar un
clasificador que produce estas probabilidades, las predicciones, a las que
llamaremos p̂, o estimación de las predicciones,
que van a depender de los parámetros ŵ, o los coeficientes ŵ para nuestro modelo. Entonces, P^ será útil para
predecir ŷ la predicción de la clase, que en nuestro caso
es el sentimiento de los clientes. Veamos cómo funciona. Lo que haremos, será aprender
este P^ estimado a partir de los datos, y usarlo para predecir
la clase más probable. Así que en particular, si te doy
alguna oración de entrada, y calculo la probabilidad que 'y' sea +1,
es una opinión positiva dada la oración y si eso es mayor que 0.5
digo que ŷ es +1, es una opinión positiva, y
si es menor que 0.5 decimos que es una oración negativa
por lo tanto ŷ es -1. Pero no sólo obtendremos eso, P^ nos va a dar más tipos
de interpretaciones. Entonces, no sólo nos
va a decir +1 o -1, sino también nos dirá cuán seguros
estamos de que sea una opinión positiva. [MÚSICA]