判别式模型（discriminative models)：像决策树、BP神经网络、支持向量机等，都可以归入判别式模型，它们都是直接学习出输出Y与特征X的关系

GaussianNB：先验为高斯分布的朴素贝叶斯
MultinomialNB：先验为多项式分布的朴素贝叶斯
BernoulliNB：先验为伯努利分布的朴素贝叶斯

一般来说，如果样本特征的分布大部分是连续值，使用GaussianNB会比较好
如果如果样本特征的分大部分是多元离散值，使用MultinomialNB比较合适
如果样本特征是二元离散值或者很稀疏的多元离散值，应该使用BernoulliNB。

image.png

import pandas as pd #导入pandas库
import numpy as np
from sklearn.naive_bayes import MultinomialNB
from imblearn.over_sampling import SMOTE
df = pd.read_excel("第二版表4.1.xlsx") # 读取excle
array1 = df.values #讲excel表格数据转化为矩阵

训练集

array =array1[0:15,1:7]#选取矩阵特定的数据
X=array

训练集分类结果

Y=array1[0:15,7:8]
test=array1[15:19,1:7]#测试集
clf =MultinomialNB()

sm = SMOTE(random_state=42)

clf.fit(X,Y.ravel())
pr=clf.predict(test)
print("贝叶斯分类预测结果：",pr)

image.png