扫码加入数据分析学习群

朴素贝叶斯中的三种常用模型

多项式模型（MultinomialNB）

特征是离散的时候， 使用多项式模型。 多项式模型在计算先验概率P(yk)和条件概率P(xi|yk)时， 会做一些平滑处理.

多项式模型常用于文本分类， 特征是单词， 值是单词的出现次数.

伯努利模型（BernoulliNB）

伯努利模型适用于离散特征的情况， 所不同的是， 伯努利模型中每个特征的取值只能是1和0(多了二值化处理。 以文本分类为例， 某个单词在文档中出现过， 则其特征值为1， 否则为0)

高斯模型（GaussianNB）

当特征是连续变量的时候， 运用多项式模型就会导致很多P(xi|yk)=0（不做平滑的情况下） ， 此时即使做平滑， 所得到的条件概率也难以描述真实情况。 所以处理连续的特征变量， 应该采用高斯模型

高斯模型假设每一维特征都服从高斯分布（正态分布）