我正在尝试使用一些非常小的概率来解决问题。例如
probs <- c(4.225867e-03,3.463125e-04,2.480971e-05,1.660538e-06,1.074064e-07,6.829168e-09,4.305051e-10,2.702241e-11,1.692533e-12,1.058970e-13,6.622117e-15,4.139935e-16,2.587807e-17,1.617488e-18,1.010964e-19,6.318630e-21,3.949177e-22 2.468246e-23,1.542657e-24,9.641616e-26,6.026013e-27,3.766259e-28,2.353912e-29,1.471195e-30,9.194971e-32
然而，使用此向量的任何算术都会导致第12个条目之后的所有内容舍入为零（可能因为它小于.Machine $ double.eps）。例如：
probs > 0
[1] TRUE TRUE TRUE TRUE TRUE TRUE TRUE TRUE TRUE TRUE TRUE TRUE TRUE TRUE TRUE TRUE TRUE TRUE TRUE TRUE TRUE TRUE TRUE TRUE TRUE
但
1-probs < 1
[1] TRUE TRUE TRUE TRUE TRUE TRUE TRUE TRUE TRUE TRUE TRUE TRUE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
我尝试过使用gmp包，但是我正在进行基于组合的计算，as.bigq（probs）在升级到大功率时变得非常慢。
有什么方法可以解决这个问题吗？
答案 0 :(得分：6)
机器学习和其他统计计算主题经常出现非常小的概率。由于浮点数的内部表示的限制，您将获得精度误差。这可以使用任意精度算法来解决，但这种情况并不常见。
最流行的解决方案是使用l og transformation to represent your probabilities然后使用加法而不是乘法。这称为 log-likelihood 。这种转换避免了数量非常小的问题，此外，对数似然值可以直接用于比较事物的概率（较低的对数似然总是意味着较低的概率）。
请注意，有subtle distinction between likelihood and probability，但是日志转换将非常小的数字转换为负数，而小数位数的变化较小，无论如何都可以。