n-gram 平滑演算器 · MLE / Good-Turing / Katz 回退 / JM 插值

默认用《自然语言处理》课件的三句训练语料（I HAVE A RED CAR …，p33–34）与 Good-Turing 符号算例（A:1 … J:3，N=13，p51），逐步演算四种概率估计，看平滑如何把概率质量从"见过的"挪给"没见过的"。语料、GT 计数、历史词 y、插值系数 λ 都可改，改完即重算。

阶段
当前步骤
点击「下一步」开始逐步演算。快捷键：→ 下一步 · Space 自动
编辑数据（训练语料 / Good-Turing 计数）
训练语料（一行一句，自动加句首 <S>；对应课件 p33）
Good-Turing 符号计数（"符号:次数" 逗号分隔；对应课件 p51）
对照笔记：MLE 应得 P(NEW|A)=2/3、P(I|<S>)=2/3 等（p34）；Good-Turing 应得 r*=2, 3/2, 1, 0，新概率 4/13, 6/13, 3/13, 0，未见总质量 N₁/N=4/13（p51）。课件 p33 的 P(THEY)=2/15 系笔误，实算为 1/15（I 才是 2/15）。