我重新提出了一个问题（名称相同）多项式朴素贝叶斯分类器。那个问题似乎已经接受了一个答案，但我认为这个答案要么是错误的，要么需要更多的解释，因为我仍然不明白。
到目前为止，我在R中看到的所有朴素贝叶斯分类器（包括bnlearn和klaR）的实现都假设特征具有高斯似然分布。
在R中是否有使用多项式似然分布的朴素贝叶斯分类器的实现（类似于scikit-learn的MultinomialNB)？
特别是，如果有办法在这些模块中调用naive.bayes，使似然分布以多项式分布估计，我非常希望看到一个如何操作的例子。我已经搜索过例子，但没有找到。例如：klaR.NaiveBayes中的usekernal参数就是这个用途吗？
回答：
我不知道naive.bayes模型上的predict方法调用的是什么算法，但你可以从条件概率表（最大似然估计）中自己计算预测结果
# 你可能需要从这里获取gRain的依赖项# source("http://bioconductor.org/biocLite.R")# biocLite("RBGL") library(bnlearn) library(gRain)使用naive.bayes帮助页面中的第一个例子
data(learning.test) # 拟合模型 bn <- naive.bayes(learning.test, "A") # 查看条件概率表 fit <- bn.fit(bn, learning.test) # 检查条件概率表（比例）是否是多项式分布的最大似然估计 # 节点A: all.equal(prop.table(table(learning.test$A)), fit$A$prob) # 节点B: all.equal(prop.table(table(learning.test$B, learning.test$A),2), fit$B$prob) # 查看预测结果 - 包括概率 pred <- predict(bn, learning.test, prob=TRUE) pr <- data.frame(t(attributes(pred)$prob)) pr <- cbind(pred, pr) head(pr, 2)# preds a b c# 1 c 0.29990442 0.33609392 0.36400165# 2 a 0.80321241 0.17406706 0.02272053通过运行查询从条件概率表中计算预测概率 – 使用’gRain’
# 使用结点树算法查询 jj <- compile(as.grain(fit)) # 获取第一观测的预测概率 net1 <- setEvidence(jj, nodes=c("B", "C", "D", "E", "F"), states=c("c", "b", "a", "b", "b")) querygrain(net1, nodes="A", type="marginal")# $A# A# a b c # 0.3001765 0.3368022 0.3630213 # 获取第二观测的预测概率 net2 <- setEvidence(jj, nodes=c("B", "C", "D", "E", "F"), states=c("a", "c", "a", "b", "b")) querygrain(net2, nodes="A", type="marginal")# $A# A# a b c # 0.80311043 0.17425364 0.02263593 所以这些概率与bnlearn得到的结果非常接近，并且是使用最大似然估计计算的，
