朴素贝叶斯：训练的每个特征的类内方差必须为正

当尝试拟合朴素贝叶斯时：

    training_data = sample; % 
    target_class = K8;
 # train model
 nb = NaiveBayes.fit(training_data, target_class);

 # prediction
 y = nb.predict(cluster3);

我收到错误：

??? Error using ==> NaiveBayes.fit>gaussianFit at 535
The within-class variance in each feature of TRAINING
must be positive. The within-class variance in feature
2 5 6 in class normal. are not positive.

Error in ==> NaiveBayes.fit at 498
            obj = gaussianFit(obj, training, gindex);

谁能阐明这个问题以及如何解决它？请注意，我读过类似的帖子here http://www.mathworks.co.uk/matlabcentral/answers/40289但我不知道该怎么办？似乎它试图基于列而不是行进行拟合，类方差应该基于每行属于特定类的概率。如果我删除这些列，那么它会起作用，但显然这不是我想要做的。

假设您的代码（或来自 mathworks 的 NaiveBayes 代码）中没有任何错误，并再次假设您的训练数据采用 NxD 形式，其中有 N 个观察值和 D 个特征，则第 2、5 和 6 列完全为零至少一个班级。如果您的训练数据相对较小且类数量较多，其中单个类可能由一些观察值表示，则可能会发生这种情况。由于 NaiveBayes 默认将所有特征视为正态分布的一部分，因此它无法使用与单个类相关的所有特征的方差为零的列。换句话说，NaiveBayes 无法通过将正态分布拟合到特定类的特征来找到概率分布的参数（注意：分布的默认值是normal).

看看你的特征的本质。如果它们在每个类中似乎不遵循正态分布，那么normal不是您想要使用的选项。也许您的数据更接近多项式模型mn:

nb = NaiveBayes.fit(training_data, target_class, 'Distribution', 'mn');