机器学习：朴素贝叶斯

一、sklearn代码

from sklearn import naive_bayes
'''
(1)alpha：平滑参数
(2)fit_prior：是否要学习类的先验概率；false-使用统一的先验概率
(3)class_prior: 是否指定类的先验概率；若指定则不能根据参数调整
(4)binarize: 二值化的阈值，若为None，则假设输入由二进制向量组成
'''
model = naive_bayes.GaussianNB() # 高斯贝叶斯
model = naive_bayes.MultinomialNB(alpha=1.0, fit_prior=True, class_prior=None)#文本分类问题常用MultinomialNB
model = naive_bayes.BernoulliNB(alpha=1.0, binarize=0.0, fit_prior=True, class_prior=None)

二、优缺点

1.优点

• 数学基础
• 适合小规模数据
• 对缺失值不敏感

2.缺点

• 需要计算先验概率
• 输入表达形式敏感