1.思路：
给定训练集后，假设特征之间都是互相独立的。
（1）计算输入输出的联合概率分布
（2）对于给定的输入x，利用贝叶斯原理求出后验概率最大的输出y
2.优缺点：
优点：
（1）学习和预测的效率高，模型简单，且易于实现；在数据较少的情况下仍然有效，可以处理多分类问题；
（2）对缺失数据不敏感。
缺点：
（1）分类效果不一定很高，特征独立性假设会是朴素贝叶斯变得简单，特征独立在实际应用中往往不成立，所以会牺牲一定的分类准确率，在属性个数多并且相关性强的时候，朴素贝叶斯的分类效率不如树模型；
（2）需要已知先验概率
3.原理：
对于输入空间x为n维向量的集合:
![][01]
[01]:http://latex.codecogs.com/png.latex?x:(x_1,x_2,x_3,...,x_n)
输出空间c的标签集合为：
![][02]
[02]:http://latex.codecogs.com/png.latex?c:(c_1,c_2,c_3,...,c_n)
假设X是定义在输入空间上的随机变量，C是定义在输出空间上的随机变量，则X和Y的联合概率分布为：
![][03]
[03]:http://latex.codecogs.com/png.latex?P(X,C)
朴素贝叶斯法通过训练数据集学习联合概率分布，学习联合概率分布主要是得到先验概率和条件概率分布。
先验概率分布：
![][04]
[04]:http://latex.codecogs.com/png.latex?P(Y=c_k),k=0,1,2...
条件分布概率为：
![][05]
[05]:http://latex.codecogs.com/png.latex?P(X=x|Y=c_k)
即可得后验概率分布，如下图所示：
