参考：https://www.cnblogs.com/pinard/p/6074222.html
1.scikit-learn 朴素贝叶斯类库概述
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。
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：
在使用GaussianNB的fit方法拟合数据后，我们可以进行预测。此时预测有三种方法，包括predict，predict_log_proba和predict_proba。
1. predict ： 方法就是我们最常用的预测方法，直接给出测试集的预测类别输出。
2. predict_proba ： 则不同，它会给出测试集样本在各个类别上预测的概率。容易理解，predict_proba预测出的各个类别概率里的最大值对应的类别，也就是predict方法得到类别。
3. predict_log_proba： 和predict_proba 类似，它会给出测试集样本在各个类别上预测的概率的一个对数转化。转化后predict_log_proba预测出的各个类别对数概率里的最大值对应的类别，也就是predict方法得到类别。
import numpy as np
X = np.array([[-1, -1], [-2, -1], [-3, -2], [1, 1], [2, 1], [3, 2]])
Y = np.array([1, 1, 1, 2, 2, 2])
from sklearn.naive_bayes import GaussianNB
clf = GaussianNB()
#拟合数据
clf.fit(X, Y)
print "==Predict result by predict=="
print(clf.predict([[-0.8, -1]]))
print "==Predict result by predict_proba=="
print(clf.predict_proba([[-0.8, -1]]))
print "==Predict result by predict_log_proba=="
print(clf.predict_log_proba([[-0.8, -1]]))
结果
==Predict result by predict==
[1]
==Predict result by predict_proba==
[[ 9.99999949e-01 5.05653254e-08]]
==Predict result by predict_log_proba==
[[ -5.05653266e-08 -1.67999998e+01]]
从上面的结果可以看出，测试样本[-0.8,-1]的类别预测为类别1。具体的测试样本[-0.8,-1]被预测为1的概率为9.99999949e-01 ，远远大于预测为2的概率5.05653254e-08。这也是为什么最终的预测结果为1的原因了。
3. MultinomialNB类使用总结
MultinomialNB假设特征的先验概率为多项式分布，即如下式：
第 k 个类别的第 j 维特征的第 l 个个取值条件概率。** mk 是训练集中输出为第k类的样本个数**。
λ 为一个大于0的常数，常常取为1，即拉普拉斯平滑。也可以取其他值。
3个参数。
λ可以默认为1。如果发现拟合的不好，调参可以在1左右摇摆。
布尔参数 fit_prior 表示是否要考虑 先验概率，如果是false , 则考虑所有类别都有相同的先验概率。
先验概率参数 class_prior 输入先验概率，或者不输入，让MultinomialNB 自己从训练集样本来计算先验概率，此时的先验概率为P(Y=Ck)=mk/m。其中m为训练集样本总数量，mk为输出为第k类别的训练集样本数。总结如下：
在使用MultinomialNB的fit方法或者partial_fit方法拟合数据后，我们可以进行预测。此时预测有三种方法，包括predict，predict_log_proba和predict_proba。由于方法和GaussianNB完全一样，这里就不累述了。
4.BernoulliNB类使用总结
BernoulliNB假设特征的先验概率为二元伯努利分布，即如下式：
此时 l 只有两种取值。xjl 只能取值0或者1。
BernoulliNB一共有4个参数，
其中3个参数的名字和意义和MultinomialNB完全相同。
唯一增加的一个参数是binarize。这个参数主要是用来帮BernoulliNB 处理二项分布 的，可以是数值或者不输入。
如果不输入，则BernoulliNB认为每个数据特征都已经是二元的。
否则的话，小于binarize的会归为一类，大于binarize的会归为另外一类。
预测： 在使用 BernoulliNB 的 fit 或者 partial_fit 方法拟合数据后，我们可以进行预测。此时预测有三种方法，包括predict，predict_log_proba和predict_proba。由于方法和GaussianNB完全一样，这里就不累述了。