一、思想概述

        贝叶斯分类算法是一大类分类算法的总称；贝叶斯分类算法以样本可能属于某类的概率来作为分类依据；朴素贝叶斯分类算法是贝叶斯分类算法中最简单的一种。

        朴素贝叶斯分类器是一种用于分类任务的概率机器学习模型。分类器的关键是基于贝叶斯定理。

        使用贝叶斯定理，假设B已经发生，我们可以找到A发生的概率。这里，B是证据，A是假设。这里的假设是预测变量/特征是独立的。也就是说，一个特定特征的存在不会影响另一个。因此，它被称为朴素。 

        朴素的意思是条件概率独立性。朴素贝叶斯方法是一组监督学习算法，基于贝叶斯定理，并在给定类变量值的情况下，每对特征之间的条件独立性的“朴素”假设。尽管它们的假设显然过分简化，但朴素的贝叶斯分类器在许多实际情况下（在著名的文档分类和垃圾邮件过滤中）都表现良好。他们需要少量的训练数据来估计必要的参数。另一方面也是由于过于朴素，所以对于输入数据的准备方式较为敏感。

        贝叶斯发展出来很多分类

        Gaussian Naive Bayes（高斯朴素贝叶斯算法）

        Multinomial Naive Bayes（多项式朴素贝叶斯）

        Complement Naive Bayes（补充朴素贝叶斯）