原理：朴素贝叶斯算法是一个典型的统计学习方法，主要理论基础就是一个贝叶斯公式，贝叶斯公式的基本定义如下：
这个公式虽然看上去简单，但它却能总结历史，预知未来：公式右边总结历史，公式左边预测未来
如果把Y看成类别，X看成特征，P(Yk|X)就是在已知特征X的情况下求Yk类别的概率，而对P(Yk|X)的计算又全部转化到类别Yk的特征分布上来。
朴素的概念：独立性假设，假设各个特征之间是独立不相关的。
优点：
朴素贝叶斯模型发源于古典数学理论，有着坚实的数学基础，以及稳定的分类效率；
对小规模的数据表现很好；
能处理多分类任务，适合增量式训练；
对缺失数据不太敏感，算法也比较简单，常用于文本分类
缺点：
只能用于分类问题
需要计算先验概率；
分类决策存在错误率；
对输入数据的表达形式很敏感
一、高斯分布朴素贝叶斯
from sklearn.naive_bayes import GaussianNB
用途：用于一般分类问题
二、多项式分布朴素贝叶斯
from sklearn.naive_bayes import MultinomialNB
多项式分布：
用途：适用于文本数据（特征表示的是次数，例如某个词语的出现次数）
三、伯努利分布朴素贝叶斯
from sklearn.naive_bayes import BernoulliNB
伯努利分布：
用途：适用于伯努利分布，也适用于文本数据（此时特征表示的是是否出现，例如某个词语的出现为1，不出现为0）。绝大多数情况下表现不如多项式分布，但有的时候伯努利分布表现得要比多项式分布要好，尤其是对于小数量级的文本数据
from sklearn.naive_bayes import BernoulliNB
