我知道朴素贝叶斯擅长二元分类，但我想知道多类分类是如何工作的。
例如：我之前使用朴素贝叶斯进行了文本分类，其中我对文本进行了向量化以找到文档中每个单词的概率，然后使用向量化的数据来拟合朴素贝叶斯分类器。
现在，我正在处理如下数据：
A、B、C、D、E、F、G
210, 203, 0, 30, 710, 2587452, 0
273、250、0、30、725、3548798、1
283、298、0、31、785、3987452、3
在上述数据中，有 6 个特征（AF），G 是具有值（0,1 或 2）的类
我在数据集中有近 70000 个条目，类别（输出）为 1、2 或 3。
将数据拆分为测试和训练数据后，我将训练数据拟合到 sklearn-GaussianNB 算法中。拟合后，当我尝试预测测试数据时，它只是分类为 0 或 2。
所以，我的问题是，当我在文本分类期间拟合 navie bayes 分类器之前执行矢量化时，在将 GaussianNB 分类器与训练数据拟合之前，是否需要对上述数据进行数据预处理，以便它可以预测多-class(0,1 和 2) 而不是只有 (0 和 2)。
我知道朴素贝叶斯擅长二元分类，但我想知道多类分类是如何工作的。
朴素贝叶斯中没有任何特定于二分类的内容，它旨在很好地进行多类分类。
所以，我的问题是，当我在文本分类期间拟合 navie bayes 分类器之前执行矢量化时，在将 GaussianNB 分类器与训练数据拟合之前，是否需要对上述数据进行数据预处理，以便它可以预测多-class(0,1 和 2) 而不是只有 (0 和 2)。
不，对于多类位没有预处理。但是，对于高斯位 - 顾名思义，该模型将尝试将高斯 pdf 拟合到每个特征。因此，如果您的特征不遵循高斯分布 - 它可能会失败。如果您可以计算出每个特征的转换（基于您拥有的数据）以使它们更像高斯，它将有助于模型。例如，您的某些特征似乎是巨大的数字，如果它们不遵循高斯分布，可能会导致严重的困难。您可能想要规范化您的数据，甚至删除这些功能。
您的模型从不预测 1的唯一原因是因为在朴素贝叶斯假设下，并且提供了数据 - 它不太可能被考虑。您可以尝试如上所述的规范化功能。如果这失败了，您还可以通过向priorsklearn 提供您自己的属性来人为地“超重”选定的类（通常从数据中估计为“遇到类 X 的样本的频率”，如果您将其更改为更高的数字 - 一个类将被认为更有可能）。