其中： 为第 个特征的条件概率分布的均值， 为第 个特征的条件概率分布的方差。

GaussianNB 的原型为：

模型属性：

• class_prior_：一个数组，形状为(n_classes,)，是每个类别的概率 。
• class_count_：一个数组，形状为(n_classes,)，是每个类别包含的训练样本数量。

• theta_：一个数组，形状为(n_classes,n_features)，是每个类别上，每个特征的均值。

• sigma_：一个数组，形状为(n_classes,n_features)，是每个类别上，每个特征的标准差。

模型方法：

• fit(X, y[, sample_weight])：训练模型。

• partial_fit(X, y[, classes, sample_weight])：分批训练模型。

  该方法主要用于大规模数据集的训练。此时可以将大数据集划分成若干个小数据集，然后在这些小数据集上连续调用partial_fit方法来训练模型。

• predict_proba(X)：返回一个数组，数组的元素依次是X预测为各个类别的概率值 。

• score(X, y[, sample_weight])：返回模型的预测性能得分。

多项式贝叶斯分类器MultinomialNB ：它假设特征的条件概率分布满足多项式分布：

其中：

• ，表示属于类别 的样本的数量。
• ，表示属于类别 且第 个特征取值为 的样本的数量。

MultinomialNB 的原型为：

• alpha：一个浮点数，指定 值。

• fit_prior：一个布尔值。

  • 如果为True，则不去学习 ，替代以均匀分布。
  • 如果为False ，则去学习 。

• class_prior：一个数组。它指定了每个分类的先验概率 。

  如果指定了该参数，则每个分类的先验概率不再从数据集中学得

模型属性：

• class_log_prior_：一个数组对象，形状为(n_classes,)。给出了每个类别的调整后的的经验概率分布的对数值。
• class_count_：一个数组，形状为(n_classes,)，是每个类别包含的训练样本数量。
• feature_count_：一个数组，形状为(n_classes, n_features)。训练过程中，每个类别每个特征遇到的样本数。

下面的示例给出了不同的 值对模型预测能力的影响。 运行结果如下。

为了便于观察将x轴设置为对数坐标。可以看到随着 之后，随着 的增长，预测准确率在下降。

这是因为，当 时， 。即对任何类型的特征、该类型特征的任意取值，出现的概率都是 。它完全忽略了各个特征之间的差别，也忽略了每个特征内部的分布。

伯努利贝叶斯分类器BernoulliNB：它假设特征的条件概率分布满足二项分布：

其中 ，且要求特征的取值为 。

BernoulliNB的原型为：

• binarize：一个浮点数或者None。

  • 如果为None，那么会假定原始数据已经是二元化的。

  • 如果是浮点数，则执行二元化策略：以该数值为界：

    • 特征取值大于它的作为 1 。
    • 特征取值小于它的作为 0 。
• 其它参数参考MultinomialNB 。

模型方法：参考MultinomialNB 。