贝叶斯网络一般是指带有概率信息的有向无环图。贝叶斯网络的信息有两部分组成。首先是表示独立信息的一个网络结构S，S中每个节点表示特定域中的一个概念或者变量，节点间的弧表示了可能的因果关系，体现了域知识的特征。其次每个节点都负有一个与该变量相联系的概率分布函数(CPD)， 如果概率是离散的，那么在给定了父母节点的时候取不同值的条件概率表(CPT).CPT体现了域知识的定量方面的特征。可见，贝叶斯网络是

NativeBayes我们首先考虑在原始的数学模型中，我们怎么分析一句话的语义信息呢？我们来举个例子澳门赌场日赚百万这是垃圾短信的其中一句话，如果我们想训练一个模型来识别所有的垃圾短信，会是怎么样的抽象呢？由条件独立性假设：$$p(澳门赌场日赚百万∣J)=p(澳,门,赌,场,日,赚,百,万∣J)=p

贝叶斯分类器贝叶斯分类器的特点属性可以离散可以连续数学基础扎实，分类效率稳定对缺失值和噪声不敏感属性如果不相关（独立），效果很好，如果相关效果不低于决策树。原理设样本$\vec{x}=x_1,x_2...x_n$， 标记$y \in Y=\{ c_1, c_2,...,c_k\}$,P(X, Y)是X，Y的组合概率分布。训练集合$T=\{(\vec{x_1},y_1),(\vec{x_2,y_2)