考虑到我的特征集是分类的，即每个特征存在超过 2 个类别，我如何将朴素贝叶斯分类器（使用 sklearn）用于数据集。

1. 我到处找，有些人使用 GaussianNB，即使数据是分类的 (1,2...8)

https://www.google.com/url?q=https://blog.sicara.com/naive-bayes-classifier-sklearn-python-example-tips-42d100429e44&sa=D&source=hangouts&ust=1567686518476000&usg=AFQjCNGORHakHbk2ZntzNZ1wsTYG6QUhig

2. 有些人建议将其转换为 One-Hot 编码，然后使用 BernoulliNB，这对我来说没有意义，因为这样新创建的特征将具有高度相关性，这与朴素贝叶斯的核心假设之一背道而驰。（例如颜色特征有 3 个值 - 蓝色、绿色、红色，我们从中创建 3 个特征；然后如果蓝色为 1，那么很明显红色和绿色将为 0。因此依赖）

3. 有些人推荐使用 MultinomialNB，在我看来这没有意义，因为它认为特征值是频率计数。

有人可以指出我正确的方向吗？