sklearn朴素贝叶斯分类器_贝叶斯算法小结（实践）

上一篇，整理了一下关于贝叶斯算法的理论知识：

橘猫吃不胖：贝叶斯分类算法小结（理论）​zhuanlan.zhihu.com

这一篇看看在sklearn中如何使用

---

sklearn中，关于贝叶斯算法的介绍：https://scikit-learn.org/stable/modules/naive_bayes.html#gaussian-naive-bayes

顺便找了中文的介绍：https://sklearn.apachecn.org/docs/master/10.html

朴素贝叶斯模型，是机器学习中常用的算法之一，尤其是文本分类的应用场景，像文档分类和垃圾邮件过滤。

朴素贝叶斯是一种构建分类器的简单方法。该分类器模型会给问题实例分配用特征值表示的类标签，类标签取自有限集合。所有朴素贝叶斯分类器都假定样本每个特征与其他特征都不相关。

sklearn中的贝叶斯算法有几种类型：高斯朴素贝叶斯、多项式分布朴素贝叶斯、补充朴素贝叶斯、伯努利朴素贝叶斯，特征不同的概率分布，决定了使用哪种模型更好

朴素贝叶斯模型中，朴素的意义，是假设特征之间相互独立

高斯朴素贝叶斯常用于，连续性变量，比如身高、长度等

鸢尾花数据集，就可以使用高斯朴素贝叶斯

from 

当特征值是离散的时候，可以使用多项式朴素贝叶斯

伯努利模型，也用于离散特征的情况，但每个特征的取值，只能是0,1

下面参考的博客中，都有代码实现啊什么的，但是目前我还没法很好地理解，暂时不搞，以后再理解了之后再看

参考的几篇博客：

朴素贝叶斯算法原理小结 - 刘建平Pinard - 博客园

一步步教你轻松学朴素贝叶斯模型算法理论篇1 - 伏草惟存 - 博客园