sklearn.naive_bayes

#!/usr/bin/env python3
# -*- coding: utf-8 -*-
"""
Created on Sat Aug  5 12:07:15 2017

@author: luogan
"""
#高斯朴素贝叶斯  
import numpy as np  
X = np.array([[-1, -1], [-2, -1], [-3, -2], [1, 1], [2, 1], [3, 2]])  
Y = np.array([1, 2, 3, 4, 5, 6])  
from sklearn.naive_bayes import GaussianNB  
clf = GaussianNB().fit(X, Y)  
print (clf.predict([[-0.8,-1]])  )

''''' 
partial_fit说明：增量的训练一批样本 
这种方法被称为连续几次在不同的数据集，从而实现核心和在线学习，这是特别有用的，当数据集很大的时候，不适合在内存中运算 
该方法具有一定的性能和数值稳定性的开销，因此最好是作用在尽可能大的数据块（只要符合内存的预算开销） 
'''  
clf_pf = GaussianNB().partial_fit(X, Y, np.unique(Y))  
print( clf_pf.predict([[2,-1]])  )


#多项式分布
import numpy as np
X = np.random.randint(5, size=(6, 100))
y = np.array([1, 2, 3, 4, 5, 6])
from sklearn.naive_bayes import MultinomialNB
clf = MultinomialNB().fit(X, y)
print (clf.predict(X[2:3]))


#伯努利分布
import numpy as np
X = np.random.randint(2, size=(6, 100))
Y = np.array([1, 2, 3, 4, 4, 5])
from sklearn.naive_bayes import BernoulliNB
clf = BernoulliNB()
clf.fit(X, Y)
BernoulliNB(alpha=1.0, binarize=0.0, class_prior=None, fit_prior=True)
print(clf.predict(X[2:3]))

原文链接