在朴素贝叶斯分类方法中，通常有哪些常用的模型类型？请对它们分别进行解释。

回答思路

1. 【回答框架 1】朴素贝叶斯分类器基于贝叶斯定理，假设特征条件独立。常见的模型主要有三种：高斯朴素贝叶斯、多项式朴素贝叶斯和伯努利朴素贝叶斯。
2. 【回答框架 2】高斯朴素贝叶斯适用于连续特征，假设每个特征在每个类别下服从高斯分布（正态分布）。分类时用训练数据估计每个类别下各特征的均值和方差，再计算后验概率。
3. 【回答框架 3】多项式朴素贝叶斯适用于离散特征，尤其是文本分类中的词频或词数。它假设特征服从多项式分布，考虑了特征出现的次数。常用于文档分类、垃圾邮件过滤等。
4. 【回答框架 4】伯努利朴素贝叶斯也适用于离散特征，但假设特征是二元布尔值（出现或不出现），不考虑次数。适合特征稀疏且仅关心是否出现的场景，如短文本分类。
5. 【回答框架 5】选择哪种模型取决于特征的数据类型：连续特征选高斯，离散计数选多项式，二元布尔选伯努利。实际应用需注意特征独立性的假设，若特征强相关，模型效果会受影响。
6. 【关键点 1】高斯朴素贝叶斯用于连续特征，假设正态分布。
7. 【关键点 2】多项式朴素贝叶斯用于离散计数特征，如词频。
8. 【关键点 3】伯努利朴素贝叶斯用于二元特征，如词是否出现。
9. 【关键点 4】模型的共同前提是特征条件独立。
10. 【易错点 1】不要将所有特征都当作高斯分布或多项式分布，应根据数据类型选择模型。
11. 【易错点 2】忽略特征独立性假设容易导致概率估计偏差。
12. 【易错点 3】多项式朴素贝叶斯对零概率需平滑处理（如拉普拉斯平滑），否则后验概率可能为零。