朴素贝叶斯和knn一样，属于懒惰学习方法的一种，假设输入的特征间是独立的，根据先验概率来求最大化后验概率（MAP）。
基本方法
了解这个章节需要复习概率统计的知识，关于概率、条件概率、全概率、最大似然等。
$$
后验概率P(Y=c_k|X=x)=\frac{P(X=x|Y=c_k)P(Y=c_k)}{\sum_k P(X=x|Y=c_k)P(Y=c_k)}
$$
分母都是相同的，去掉分母，分类器变成了
$$
y=\arg \max_{c_k}P(Y=c_k)\prod_j P(X^{(j)}=x^{(j)}|Y=c_k)
$$
算法
朴素贝叶斯本身的算法极其简单，只要算出每个类的概率和将来测试的点分成不同的类的概率就行，但朴素贝叶斯只适合特征间的关联性小，属性个数少的情况，所以有一些变种的算法，像有数据是连续的、有缺失的情况下的算法，还有对关联性的改良算法，这些在周志华老师的《机器学习》上可以看到。