这里再重复一下标题为什么是”使用”而不是”实现”：
首先，专业人士提供的算法比我们自己写的算法无论是效率还是正确率上都要高。
其次，对于数学不好的人来说，为了实现算法而去研究一堆公式是很痛苦的事情。
再次，除非他人提供的算法满足不了自己的需求，否则没必要”重复造轮子”。
下面言归正传，不了解贝叶斯算法的可以去查一下相关资料，这里只是简单介绍一下：
1.贝叶斯公式：
p(a|b)=p(ab)/p(b)
2.贝叶斯推断：
p(a|b)=p(a)×p(b|a)/p(b)
用文字表述：
后验概率=先验概率×相似度/标准化常量
而贝叶斯算法要解决的问题就是如何求出相似度，即：p(b|a)的值
3. 在scikit-learn包中提供了三种常用的朴素贝叶斯算法，下面依次说明：
1）高斯朴素贝叶斯：假设属性/特征是服从正态分布的(如下图)，主要应用于数值型特征。
使用scikit-learn包中自带的数据，代码及说明如下：
>>>from sklearn import datasets ##导入包中的数据
>>> iris=datasets.load_iris() ##加载数据
>>> iris.feature_names ##显示特征名字
[‘sepal length (cm)’, ‘sepal width (cm)’, ‘petal length (cm)’, ‘petal width (cm)’]
>>> iris.data ##显示数据
array([[ 5.1, 3.5, 1.4, 0.2],[ 4.9, 3. , 1.4, 0.2],[ 4.7, 3.2, 1.3, 0.2]…………
>>> iris.data.size ##数据大小 —600个
>>> iris.target_names ##显示分类的名字
array([‘setosa’, ‘versicolor’, ‘virginica’], dtype=’