假设我们使用 TFIDF 变换将文档编码为连续值特征。

我们现在如何将其用作朴素贝叶斯分类器的输入？

Bernoulli naive-bayes 不存在了，因为我们的特征不再是二元的了。
似乎我们也不能使用多项式朴素贝叶斯，因为这些值是连续的而不是分类的。

作为替代方案，是否适合使用高斯朴素贝叶斯？在高斯分布假设下，TFIDF 向量是否可能保持良好状态？

MultionomialNB 的 sci-kit learn 文档建议如下：

多项式朴素贝叶斯分类器适用于具有离散特征的分类（例如，用于文本分类的字数）。多项分布通常需要整数特征计数。但是，在实践中，诸如 tf-idf 之类的小数计数也可能起作用。

MultinomialNB 是不是根本不可能使用小数值？
据我了解，似然函数本身假设我们正在处理离散计数：

（来自维基百科）：

${\displaystyle p(\mathbf {x} \mid C_{k})={\frac {(\sum _{i}x_{i})!}{\prod _{i}x_{i}!}}\prod _{i}{p_{ki}}^{x_{i}}}$

TFIDF 值如何使用这个公式，因为 $x_i$ 值都必须是离散计数吗？