朴素贝叶斯是一种基于贝叶斯定理的分类算法，其核心思想是通过计算样本特征条件下的类别后验概率进行分类决策。该算法引入特征条件独立假设，将联合概率简化为各特征概率的乘积，大幅降低了计算复杂度。尽管这一假设在实际数据中往往不成立，但朴素贝叶斯在小样本、高维数据场景下仍表现良好，尤其适用于文本分类、垃圾邮件识别等任务。根据特征数据类型不同，朴素贝叶斯可分为高斯型（连续特征）、多项式型（离散计数）和伯努利型