机器学习——高斯朴素贝叶斯 Gaussian naive bayes

朴素贝叶斯 Gaussian naive bayes"/>

机器学习——高斯朴素贝叶斯 Gaussian naive bayes

问：高斯朴素贝叶斯假设离散特征的取值符合高斯分布。

答：错误。高斯朴素贝叶斯假设连续特征的取值符合高斯分布，而不是离散特征。对于离散特征，通常使用多项式朴素贝叶斯或伯努利朴素贝叶斯进行分类。

在 sklearn 库中，基于贝叶斯定理的算法集中在 sklearn.naive_bayes 包中，根据对“似然度”计算方法的不同，将朴素贝叶斯大致分为三种：

多项式朴素贝叶斯（MultinomialNB）、伯努利分布朴素贝叶斯（BernoulliNB)、高斯朴素贝叶斯（GaussianNB）。值得注意的是，朴素贝叶斯算法的实现是基于假设而来，在朴素贝叶斯看来，特征之间是相互独立、互不影响的。

高斯朴素贝叶斯适用于特征呈正态分布的，多项式贝叶斯适用于特征是多项式分布的，伯努利贝叶斯适用于二项分布。

Sklearn基于这些分布以及这些分布上的概率估计的改进，为我们提供了四个朴素贝叶斯的分类器