Naive Bayes 是一種基於貝葉斯定理的概率分類演算法，其核心假設是特徵條件獨立，即假定在給定類別的情況下，各特徵之間相互獨立。雖然這一假設在現實中往往不成立，但Naive Bayes在許多實際應用中表現良好，且算法簡單、計算效率高。
常見的Naive Bayes分類器類型：- 高斯（Gaussian）Naive Bayes : 適用於連續特徵，假設特徵服從高斯正態分布。
- 多項式（Multinomial）Naive Bayes : 適用於離散計數特徵，如文本中詞頻。
- 伯努利（Bernoulli）Naive Bayes : 適用於二元特徵，如詞是否出現（是/否）。
優點與應用：
- 計算速度快，對小樣本數據表現良好。
- 廣泛用於垃圾郵件過濾、文本分類、情感分析等。
- 模型結構簡單，不易過擬合。
缺點：
- 特徵獨立假設過於嚴格，多特徵相關時性能下降。
- 預測概率不一定準確，但分類效果通常不錯。
簡單比喻：
Naive Bayes像是基於每個獨立條件的概率「投票」來決定物件分類，雖過於簡化，卻在多場景中表現良好。
總結：
Naive Bayes是一種基於貝葉斯定理且假設特徵條件獨立的快速概率分類算法，適用於高維、小樣本的分類任務，如文本分類與垃圾郵件過濾。
