MultinomialNB 或 GaussianNB 或 CategoricalNB 在这里使用什么？
MultinomialNB or GaussianNB or CategoricalNB what to use here?
让我有一个输入特征X = {X1, X2}。其中 X1 是实值（也考虑它遵循高斯分布）但 X2 是分类特征。现在，如果我想使用朴素贝叶斯算法。我应该使用哪一个？
GaussianNB 在分类特征方面是否完美工作的另一种方式？
使用 get_dummies()（pandas 库）转换分类特征 X2。然后训练模型。
我建议先试试GaussianNB，评估一下他的准确性。然后尝试 sklearn 拥有的其他朴素贝叶斯模型。在没有看到数据（即使有数据）的情况下，很难预测哪种模型在每种情况下效果更好。评价每一个。
NB的每个算法期望不同类型的数据。
- GaussianNB → 当你有连续特征时。
- CategoricalNB → 当你有分类数据时。
- MultinomialNB → 应用于文本数据。
那么，鉴于您的数据具有连续特征、分类特征和文本数据，您将使用什么算法？
每个算法的基本假设是它假设特征是条件独立的。在 categoricalNB 上拟合分类特征，在 GaussianNB 上拟合连续特征，在 MultinomialNB 上拟合文本数据，得到每个模型的似然概率（对于每个数据点，现在我们将有 3 个似然概率）并将它们相乘得到整体似然概率。
Note: You have to multiply the prior probability to the final
likelihood probability to get the final posterior probability
从here
获得更多深度
让我有一个输入特征X = {X1, X2}。其中 X1 是实值（也考虑它遵循高斯分布）但 X2 是分类特征。现在，如果我想使用朴素贝叶斯算法。我应该使用哪一个？
GaussianNB 在分类特征方面是否完美工作的另一种方式？
使用 get_dummies()（pandas 库）转换分类特征 X2。然后训练模型。
我建议先试试GaussianNB，评估一下他的准确性。然后尝试 sklearn 拥有的其他朴素贝叶斯模型。在没有看到数据（即使有数据）的情况下，很难预测哪种模型在每种情况下效果更好。评价每一个。
NB的每个算法期望不同类型的数据。
- GaussianNB → 当你有连续特征时。
- CategoricalNB → 当你有分类数据时。
- MultinomialNB → 应用于文本数据。
那么，鉴于您的数据具有连续特征、分类特征和文本数据，您将使用什么算法？ 每个算法的基本假设是它假设特征是条件独立的。在 categoricalNB 上拟合分类特征，在 GaussianNB 上拟合连续特征，在 MultinomialNB 上拟合文本数据，得到每个模型的似然概率（对于每个数据点，现在我们将有 3 个似然概率）并将它们相乘得到整体似然概率。
Note: You have to multiply the prior probability to the final likelihood probability to get the final posterior probability
从here
获得更多深度