(Scikit-Learn)朴素贝叶斯使用方法:高斯朴素贝叶斯 多项式朴素贝叶斯(文本分类)

在贝叶斯分类中，我们希望确定一个具有某些特征的样本属于某类标签的概率，通常记为 P (L | 特征 )。
贝叶斯定理告诉我们，可以直接用下面的公式计算这个概率：

假如需要确定两种标签，定义为 L1 和 L2，一种方法就是计算这两个标签的后验概率的比值：

其中，P(L1)和P(L2)的值根据训练集中各个类别的数据所占比例，可以简单方便的获得。

现在需要一种模型，帮我们计算每个标签的 P ( 特征 | Li)。这种模型被称为生成模型，因为它可以训练出生成输入数据的假设随机过程（或称为概率分布）。

满足不同概率分布的数据，会使得模型的训练得到不同的结果。
“朴素贝叶斯”对每种标签的生成模型进行了简单的假设，假设数据满足某种特定的概率分布，且特征变量满足一些特定的关系（线性无关、相关）

---

导入库

%matplotlib inline
import numpy as np
import matplotlib.pyplot as plt
import seaborn as sns; sns.set()

(1) 高斯朴素贝叶斯<