我在Python中使用scikit-learn开发一个分类算法来预测某些客户的性别。我想使用朴素贝叶斯分类器，但我的问题是我有分类数据（例如：“在线注册”、“接受电子邮件通知”等）和连续数据（例如：“年龄”、“会员时长”等）的混合。我之前很少使用scikit，但我认为高斯朴素贝叶斯适合处理连续数据，而伯努利朴素贝叶斯可以用于分类数据。然而，由于我想在我的模型中同时包含分类和连续数据，我不知道该如何处理这个问题。任何建议都将不胜感激！
回答：
你至少有两个选择：
-
将所有数据转换为分类表示，通过计算每个连续变量的百分位数，然后使用这些百分位数作为分箱边界对连续变量进行分箱。例如，对于一个人的身高，可以创建以下分箱：“非常小”、“小”、“中等”、“大”、“非常大”，确保每个分箱包含训练集中大约20%的人口。我们在scikit-learn中没有自动执行此操作的工具，但自己做应该不难。然后在这些数据的分类表示上拟合一个唯一的多项式NB模型。
-
分别在数据的连续部分拟合一个高斯NB模型，在分类部分拟合一个多项式NB模型。然后通过使用
predict_proba方法获取类别分配概率，将整个数据集转换为新的特征：np.hstack((multinomial_probas, gaussian_probas))，然后在这些新特征上重新拟合一个新模型（例如，一个新的高斯NB模型）。
