我正在使用Python中的scikit learn开发一个分类算法，以预测特定客户的性别。除其他外，我想使用Naive Bayes分类器，但我的问题是，我混合了分类数据（例如：“在线注册”、“接受电子邮件通知”等）和连续数据（例如：“年龄”、“会员长度”等）。我以前很少使用scikit，但我认为高斯朴素贝叶斯适合于连续数据，而伯努利朴素贝叶斯可以用于分类数据。然而，由于我希望在模型中同时包含分类数据和连续数据，所以我真的不知道如何处理这个问题。任何想法都将不胜感激！
你至少有两个选择：
>
在数据的连续部分独立拟合高斯NB模型，在类别部分独立拟合多项式NB模型。然后通过将类赋值概率（使用predict_proba方法）作为新特征来转换所有数据集：np.hstack（（multinomial_probas，gaussian_probas）），然后在新的特点。
简单的答案是：乘以结果！！都一样。
朴素贝叶斯基于应用贝叶斯定理和每对特征之间独立性的“朴素”假设——这意味着你计算依赖于特定特征的贝叶斯概率，而不持有其他特征——这意味着算法将一个特征的每个概率与概率相乘从第二个特征（我们完全忽略分母——因为它只是一个规范化器）。
因此，正确的答案是：
希望我不会太迟。我最近写了一个名为混合朴素贝叶斯的库，用NumPy写的。它可以在训练数据特征上假设高斯分布和分类分布的混合。
https://github.com/remykarem/mixed-naive-bayes
该库的编写使得API类似于scikit learn。
在下面的示例中，让我们假设前2个特征来自分类分布，最后2个特征是高斯分布。在fi（）方法中，只需指定categorical_features=[0,1]，指示列0和1遵循分类分布。
from mixed_naive_bayes import MixedNB
X = [[0, 0, 180.9, 75.0],
[1, 1, 165.2, 61.5],
[2, 1, 166.3, 60.3],
[1, 1, 173.0, 68.2],
[0, 2, 178.4, 71.0]]
y = [0, 0, 1, 1, 0]
clf = MixedNB(categorical_features=[0,1])
clf.fit(X,y)
clf.predict(X)
Pip可通过Pip安装混合朴素贝叶斯安装。自述文件中提供了有关用法的更多信息。md文件。非常感谢拉取请求：）
