希望我还不晚。我最近用NumPy编写了一个名为Mixed Naive Bayes的库。可以在训练数据特征上假设混合了高斯分布和分类（multinoulli）分布。

https://github.com/remykarem/mixed-naive-bayes

该库的编写使API与scikit-learn相似。

在下面的示例中，我们假设前两个特征来自分类分布，后两个特征是高斯分布。在fit()方法中，只需指定categorical_features=[0,1] ，指示列0和1将遵循分类分布。

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)

可通过pip install mixed-naive-bayes安装pip install mixed-naive-bayes 。 README.md文件中有关用法的更多信息。拉取请求非常感谢:)

简单的答案：乘以结果！！一样的。

朴素贝叶斯（Naive Bayes）基于贝叶斯定理和每对特征之间的独立性的“朴素”假设-意味着您可以根据特定特征计算贝叶斯概率而不保留其他特征-这意味着该算法将一个特征的每个概率乘以第二个特征的概率（我们完全忽略了分母-因为它只是一个归一化）。

所以正确的答案是：

1. 根据分类变量计算概率。
2. 从连续变量计算概率。
3. 乘以1.和2。

您至少有两个选择：

• 通过为每个连续变量计算百分位数，然后使用百分位数作为bin边界对连续变量进行装箱，将所有数据转换为分类表示。例如，对于一个人的身高，请创建以下分类箱：“非常小”，“很小”，“常规”，“较大”，“非常大”，以确保每个分类箱包含约20％的训练集人口。我们没有任何实用程序可以在scikit-learn中自动执行此操作，但是您自己做起来应该不会太复杂。然后在数据的这些分类表示上拟合唯一的多项式NB。

• 在数据的连续部分上独立拟合高斯NB模型，在分类部分上独立拟合多项式NB模型。然后通过将类分配概率（带有predict_proba方法）作为新功能来转换所有数据集： np.hstack((multinomial_probas, gaussian_probas)) ，然后在新功能上重新拟合新模型（例如新的高斯NB）。