通俗解释
用训练数据统计“每个类别下每个特征出现的概率”，预测时把这些概率连乘再乘上类别先验，取最大的类别。“特征相互独立”的假设几乎从不成立，但它训练极快、数据少时也稳，长期是文本分类的强基线。
用在哪里：垃圾邮件过滤、文本分类基线
01原始论文
On the Optimality of the Simple Bayesian Classifier under Zero-One Loss
Pedro Domingos, Michael Pazzani · Machine Learning · 1997
DOI ↗ ✓ 已核实 · Crossref API doi:10.1023/A:1007413511361
备注：贝叶斯分类器的思想早于本文；这里引用的是解释它为何在独立性假设不成立时仍然好用的经典论文。
02知识位置
左边先学；右边是学完它之后可以学的。
先学
- 没有前置，可以直接学
朴素贝叶斯
学完可以学
- 图谱里暂无后继
左：前置 · 右：后继 · 虚线：相关。看完整关系图 →
03学习资料
官方文档、图解、课程和参考实现，链接都核对过。
04在课程里哪里学
给 AI 读 / 数据说明
- 核实状态：已核实，核对于 2026-10-22。
- JSON: /api/learn/algorithms.json (id:
naive-bayes)