昨天介紹完SKlearn中的Feature Engineer，今天要來介紹貝氏分類器(Naive Bayes Classification)，該分類器模型在20世紀60年代初引入文本資料信息檢索中，文本資料分類的做法式將詞語出現的頻率用特徵值表示：

如果試圖在兩個標籤之間做出決策，可以利用類別1(L1)與類別2(L2)的方式計算出，並且可以計算出每個類別的都可以用此方式計算出比率：

貝氏分類器中的"naive"指的是，我們對每個標籤的生成模型做原是的假設，然後對模型中的每個類別做大約估計，不同類型的數據假設依賴於不同類型的貝氏分類器，首先匯入需要的函式庫和資料集。

Naive Bayes Classification
%matplotlib inline
import numpy as np
import matplotlib.pyplot as plt
import seaborn as sns; sns.set()

在貝氏分類器中，假設來自每個標籤的數據是從簡單的高斯分佈中提取的。