您至少有两个选择：
通过为每个连续变量计算百分位数，然后使用百分位数作为bin边界对连续变量进行装箱，将所有数据转换为分类表示。例如，对于一个人的身高，请创建以下分类箱：“非常小”，“很小”，“常规”，“大”，“非常大”，以确保每个分类箱包含大约20％的训练集人口。我们没有任何实用程序可以在scikit-learn中自动执行此操作，但是您自己做起来应该不会太复杂。然后在数据的这些分类表示上拟合唯一的多项式NB。
在数据的连续部分上独立拟合高斯NB模型，在分类部分上独立拟合多项式NB模型。然后通过将类分配概率（带有
predict_proba
方法）作为新特征来转换所有数据集：np.hstack((multinomial_probas, gaussian_probas))
然后在新特征上重新拟合新模型（例如新的高斯NB）。
