区别：

几种朴素贝叶斯分类器的区别在于对于分布的假设，即假设满足的形式。

一、高斯NB

导入

from sklearn.naive_bayes import GaussianNB

假设特征的似然函数满足，

 和 采用“最大似然估计” 

二、Multinomial NB


导入

from sklearn.naive_bayes import MultinomialNB

 特征是离散值，通常用样本的概率去估计

为避免有的特征值缺省，一般对样本的概率做Laplace平滑：（a=1时）

三、Bernoulli NB

原型

class sklearn.naive_bayes.BernoulliNB(alpha=1.0, binarize=0.0, fit_prior=True, class_prior=None)

假设特征的似然满足多元Bernoulli分布，每个特征是一个二值变量

Bernoulli NB判别准则满足：

区别于Multinomial NB

有文献证明，在短文本分类上Bernoulli NB可能优于Multinomial NB