朴素貝葉斯（Naive Bayes）
特點：基於貝葉斯定義和特征條件(屬性)獨立假設的分類器方法
優點：模型所需估計的參數很少，對缺失數據不太敏感，算法也比較簡單，具有很好的模型的可解釋性。 朴素貝葉斯模型與其他分類方法相比具有最小的理論誤差率。
缺點：屬性之間相互獨立，這個假設在實際應用中往往是不成立的，在屬性個數比較多或者屬性之間相關性較大時，分類效果不好。
應用：朴素貝葉斯算法一般應用在文本分類，垃圾郵件的分類，信用評估，釣魚網站檢測等。
模型：
當涉及到多個條件時，朴素貝葉斯有一個提前的假設，我們稱之為 條件獨立性假設（或者 簡單假設：Naive），公式如下：
而對這里來說，假設X=[x1,x2,...,xn]：
為了選擇后驗概率最大的結果，進行概率的比較，由於分母一致，這里直接去掉分母，得到最后的計算公式：
改進：屬性直接完全獨立的條件太強，對於這一點，有半朴素貝葉斯之類的算法通過考慮部分關聯性適度改進，例如為了計算量不至於太大，我們假定每個屬性只依賴另外的一個屬性。解決特征之間的相關性，我們還可以使用數據降維(PCA)的方法，去除特征相關性，再進行朴素貝葉斯計算。
sklearn庫：
# 連續屬性 from sklearn.naive_bayes import GaussianNB # 離散屬性 from sklearn.naive_bayes import CategoricalNB