什么是朴素贝叶斯？
朴素贝叶斯是一种简单但令人惊讶的强大的预测建模算法。
该模型由两种类型的概率组成，可以直接根据您的训练数据计算：
- 每个班级的概率
- 给出每个x值的每个类的条件概率。
一旦计算，概率模型可用于使用贝叶斯定理对新数据进行预测。当您的数据是实值时，通常假设高斯分布（钟形曲线），以便您可以轻松估计这些概率。
朴素贝叶斯被称为朴素，因为它假设每个输入变量是独立的。这是一个强有力的假设，对于实际数据是不现实的，然而，该技术对于大范围的复杂问题非常有效。
朴素贝叶斯的优缺点
优点：
- 朴素贝叶斯模型发源于古典数学理论，有着坚实的数学基础，以及稳定的分类效率。
- 对大数量训练和查询时具有较高的速度。即使使用超大规模的训练集，针对每个项目通常也只会有相对较少的特征数，并且对项目的训练和分类也仅仅是特征概率的数学运算而已；
- 对小规模的数据表现很好，能个处理多分类任务，适合增量式训练（即可以实时的对新增的样本进行训练）；
- 对缺失数据不太敏感，算法也比较简单，常用于文本分类；
- 朴素贝叶斯对结果解释容易理解。
缺点：
- 需要计算先验概率；
- 分类决策存在错误率；
- 对输入数据的表达形式很敏感；
- 由于使用了样本属性独立性的假设，所以如果样本属性有关联时其效果不好。
百度百科版本
朴素贝叶斯法是基于贝叶斯定理与特征条件独立假设的分类方法 。最为广泛的两种分类模型是决策树模型(Decision Tree Model)和朴素贝叶斯模型（Naive Bayesian Model，NBM）。
和决策树模型相比，朴素贝叶斯分类器(Naive Bayes Classifier,或 NBC)发源于古典数学理论，有着坚实的数学基础，以及稳定的分类效率。同时，NBC模型所需估计的参数很少，对缺失数据不太敏感，算法也比较简单。理论上，NBC模型与其他分类方法相比具有最小的误差率。但是实际上并非总是如此，这是因为NBC模型假设属性之间相互独立，这个假设在实际应用中往往是不成立的，这给NBC模型的正确分类带来了一定影响。
维基百科版本
在机器学习中，朴素贝叶斯分类器是一系列简单的“ 概率分类器 ”，它基于贝叶斯定理应用特征之间的强（天真）独立假设。
自20世纪50年代以来，朴素贝叶斯就被广泛研究过。它在20世纪60年代早期以不同的名称引入文本检索社区，并且仍然是文本分类的流行（基线）方法，即将文档判断为属于一个类别或另一个类别的问题（例如垃圾邮件或合法，体育或政治等）以词频为特征。通过适当的预处理，它在这个领域具有更高级的方法，包括支持向量机，具有竞争力。它也适用于自动医疗诊断。
朴素贝叶斯分类器具有高度可扩展性，在学习问题中需要多个变量（特征/预测器）数量的线性参数。最大似然的训练可以通过评估来完成闭合形式的表达，这需要线性时间，而不是由昂贵的迭代逼近作为用于许多其它类型的分类器。
在统计学和计算机科学文献中，朴素的贝叶斯模型以各种名称而闻名，包括简单的贝叶斯和独立贝叶斯。所有这些名称都引用了贝叶斯定理在分类器决策规则中的使用，但朴素贝叶斯（必然）不是贝叶斯方法。