1. scikit-learn 朴素贝叶斯类库概述
朴素贝叶斯是一类比较简单的算法，scikit-learn中朴素贝叶斯类库的使用也比较简单。相对于决策树，KNN之类的算法，朴素贝叶斯需要关注的参数是比较少的，这样也比较容易掌握。在scikit-learn中，一共有3个朴素贝叶斯的分类算法类。分别是GaussianNB，MultinomialNB和BernoulliNB。其中GaussianNB就是先验为高斯分布的朴素贝叶斯，MultinomialNB就是先验为多项式分布的朴素贝叶斯，而BernoulliNB就是先验为伯努利分布的朴素贝叶斯。
这三个类适用的分类场景各不相同，一般来说，如果样本特征的分布大部分是连续值，使用GaussianNB会比较好。如果如果样本特征的分大部分是多元离散值，使用MultinomialNB比较合适。而如果样本特征是二元离散值或者很稀疏的多元离散值，应该使用BernoulliNB。
2. GaussianNB类使用总结
GaussianNB假设特征的先验概率为正态分布，即如下式：
其中CkCk为Y的第k类类别。μk和σ2kμk和σk2为需要从训练集估计的值。
GaussianNB会根据训练集求出μk和σ2kμk和σk2。 μkμk为在样本类别CkCk中，所有XjXj的平均值。σ2k
延伸阅读
学习是年轻人改变自己的最好方式