sklearn的全称叫Scikit-learn，它给我们提供了3个朴素贝叶斯分类算法，分别是高斯朴素贝叶斯（GaussianNB）、多项式朴素贝叶斯（MultinomialNB）和伯努利朴素贝叶斯（BernoulliNB）。这三种算法适合应用在不同的场景下，我们应该根据特征变量的不同选择不同的算法：

高斯朴素贝叶斯

特征变量是连续变量，符合高斯分布，比如说人的身高，物体的长度。

from sklearn.naive_bayes import GaussianNB

多项式朴素贝叶斯

特征变量是离散变量，符合多项分布，在文档分类中特征变量体现在一个单词出现的次数，或者是单词的TF-IDF值等。

from sklearn.naive_bayes import MultinomialNB

伯努利朴素贝叶斯

特征变量是布尔变量，符合0/1分布，在文档分类中特征是单词是否出现。

from sklearn.naive_bayes import BernoulliNB

三种贝叶斯的区别

伯努利朴素贝叶斯是以文件为粒度，如果该单词在某文件中出现了即为1，否则为0。
而多项式朴素贝叶斯是以单词为粒度，会计算在某个文件中的具体次数。
而高斯朴素贝叶斯适合处理特征变量是连续变量，且符合正态分布（高斯分布）的情况。
比如身高、体重这种自然界的现象就比较适合用高斯朴素贝叶斯来处理。而文本分类是使用多项式朴素贝叶斯或者伯努利朴素贝叶斯。