参考：http://www.cnblogs.com/pinard/p/6074222.html
一、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，一共有三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；如果样本特征的分布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。
二、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：
和
分别表示类别为yk的样本中第i维特征的均值和方差，需要从训练集中估计。
GaussianNB类的主要参数仅有一个，即先验概率priors ，对应Y的各个类别的先验概率
在使用GaussianNB的fit方法拟合数据后，可以进行预测。此时预测有三种方法，包括predict、predict_log_proba和predict_proba。
predict方法就是最常用的预测方法，直接给出测试集的预测类别输出。
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。
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。
下面给一个具体的例子，代码如下：
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]]))
结果如下：
==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]]此外，GaussianNB一个重要的功能是有 partial_fit方法，这个方法一般用在训练集数据量非常大、一次不能全部载入内存的时候。这时可以把训练集分成若干等分，重复调用partial_fit来一步步的学习训练集，非常方便。后面讲到的MultinomialNB和BernoulliNB也有类似的功能。
三、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：
其中，
MultinomialNB参数比GaussianNB多，但是一共也只有三个。其中，参数alpha即为上面的常数λ，如果没有特别的需要，用默认的1即可。如果发现拟合的不好，需要调优时，可以选择稍大于1或者稍小于1的数。布尔参数fit_prior表示是否要考虑先验概率，如果是false，则所有的样本类别输出都有相同的类别先验概率。否则可以自己用第三个参数class_prior输入先验概率，或者不输入第三个参数class_prior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
| fit_prior | class_priot | 最终先验概率 |
| false | 填或不填均可 | P(yk)=1/k |
| true | 不填 | P(yk)=Nyk/N |
| true | 填 | P(yk)-class_prior |
四、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xi只能取值0或者1。
BernoulliNB一共有四个参数，其中三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。
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。