原理：对于给出的待分类项，求解在此项出现的条件下各个类别的概率，哪个最大就认为此项为哪个类别。

关键点：统计得到个类别下各个特征属性的条件概率。

重要假设：所有特征属性相互独立。

算法设计过程：

    确定特征属性；

    获取训练样本；

    对每个类别计算其出现概率；

    对每个特征计算其在每个类别下出现概率；

    给定样本计算其在每个类别下出现概率；

    选择概率最大类别作为该样本的类别；

问题1：当某特征在某类别下的条件概率为0时乘积为0；

解决：引入laplace校正，对没类别下所有划分的计数加1，这样如果训练样本集数量充分大时，并不会对结果产生影响，并且解决了上述频率为0的尴尬局面。

问题2：特征项太多，连乘结果太小，出现溢出情况而置0（下溢出问题）；

解决：对连乘项取对数，变成连加

优点：

    在数据较少的情况下仍然有效，可以处理多类别问题；

    时间复杂度低

缺点：

    对于输入数据的准备方式较为敏感；

    特征独立性假设过于简单，有时可能是错误的；

适用数据类型：标称型数据