我之前使用scikit很多，但我认为高斯朴素贝叶斯适用于连续数据，伯努利朴素贝叶斯可以用于分类数据 . 但是，由于我想在模型中使用 both 分类和连续数据，我真的不知道如何处理这个问题 . 任何想法将不胜感激！
您至少有两个选择：
通过计算每个连续变量的百分位数，然后使用百分位数作为bin边界对连续变量进行分箱，将所有数据转换为分类表示 . 例如，对于一个人的身高，创建以下垃圾箱：“非常小”，“小”，“常规”，“大”，“非常大”，确保每个垃圾箱包含大约20％的训练集人口 . 我们没有任何实用程序可以在scikit-learn中自动执行此操作，但它自己不应该太复杂 . 然后在数据的分类表示上放置一个唯一的多项式NB .
在数据的连续部分上独立地拟合高斯NB模型，在分类部分上拟合多项NB模型 . 然后通过将类赋值概率（使用 predict_proba 方法）作为新要素转换所有数据集： np.hstack((multinomial_probas, gaussian_probas)) 然后在新要素上重新设置新模型（例如，新高斯NB） .
predict_proba
np.hstack((multinomial_probas, gaussian_probas))
简单的答案：乘以结果!!一样的 .
朴素贝叶斯基于应用贝叶斯定理和每对特征之间的“天真”独立假设 - 意味着你计算贝叶斯概率依赖于特定特征而不保持其他特征 - 这意味着算法将每个概率乘以一个特征与来自第二个特征的概率（我们完全忽略了分母 - 因为它只是一个归一化器） .
所以正确的答案是：
从分类变量计算概率 .
从连续变量计算概率 .
乘以1.和2 .
2 回答
您至少有两个选择：
通过计算每个连续变量的百分位数，然后使用百分位数作为bin边界对连续变量进行分箱，将所有数据转换为分类表示 . 例如，对于一个人的身高，创建以下垃圾箱：“非常小”，“小”，“常规”，“大”，“非常大”，确保每个垃圾箱包含大约20％的训练集人口 . 我们没有任何实用程序可以在scikit-learn中自动执行此操作，但它自己不应该太复杂 . 然后在数据的分类表示上放置一个唯一的多项式NB .
在数据的连续部分上独立地拟合高斯NB模型，在分类部分上拟合多项NB模型 . 然后通过将类赋值概率（使用
predict_proba方法）作为新要素转换所有数据集：np.hstack((multinomial_probas, gaussian_probas))然后在新要素上重新设置新模型（例如，新高斯NB） .简单的答案：乘以结果!!一样的 .
朴素贝叶斯基于应用贝叶斯定理和每对特征之间的“天真”独立假设 - 意味着你计算贝叶斯概率依赖于特定特征而不保持其他特征 - 这意味着算法将每个概率乘以一个特征与来自第二个特征的概率（我们完全忽略了分母 - 因为它只是一个归一化器） .
所以正确的答案是：
从分类变量计算概率 .
从连续变量计算概率 .
乘以1.和2 .