刚看到一篇文章写到：
编程语言流行指数(PYPL)排行榜近日公布了2019年2月份榜单。
在最新一期榜单上，Python的份额高达26.42％，稳居第一，并且猛增5.2%，同时成为增长势头最好的语言。而被挤到第二的Java，目前份额为21.2％，同比下跌1.3个百分点 。
很开心在循循渐进的道路上学习python,加油！
今天主要分享的是贝叶斯算法。此算法假设特征之间相关独立，因此其分类器的效率非常高，但我们需要注意的是，现实中特征之间往往是非独立的。贝叶斯算法分为贝努利朴素贝叶斯、高斯贝叶斯、多项式贝叶斯算法。
1、贝努利朴素贝叶斯：
算法比较适合于二项分布的数据集，即0-1分布。
可以看出朴素贝叶斯算法的得分非常低，明明是5类数据，预测结果只有两类，主要的原因在于其分类的原理，这里不需要深究，简单知道其模型并不好便是。下面介绍高斯贝叶斯算法。
2、高斯贝叶斯算法：
其假设特征符合正态分布。
我们发现高斯算法得分很高，并且5种分类均有预测到。高斯分布应用很多，因为大部分数据都呈现正态分布的的特征。接下来介绍多项式贝叶斯算法。
3、多项式贝叶斯算法：
可以将二项式理解为抛硬币，多项式理解为掷色子。
我们直接运行会报错，因为要求数据必须是非负的，需要数据预处理才行。
预处理后，模型不再报错，但是得分却不高，并且其预测分类也不完全。
多项式贝叶斯算法只适合非负离散数据特征进行分类，典型的是转化为向量后的文本数据进行分类。
综上，朴素贝叶斯分类适合于二项分布，但复杂数据集则很难应付；**高斯贝叶斯适合正态分布数据，应用广泛。**多项式贝叶斯则适合非负值得离散数值特征。