朴素贝叶斯分类
在贝叶斯定理中假设所有特征在给定类别下条件独立，得联合概率可分解为特征概率的乘积，大幅降低计算复杂度。
优点：
计算简单高效：对缺失数据不太敏感，算法也比较简单，在处理大规模数据时，运行速度较快。
所需估计的参数少：不需要像其他一些复杂的分类算法那样进行大量的参数调整和模型训练，因此在数据量较小的情况下也能有较好的表现。
适合增量式训练：在有新的数据加入时，可以方便地对模型进行更新，而不需要重新训练整个模型。
缺点：
特征条件独立假设往往不成立：在实际应用中，很多情况下特征之间是存在一定相关性的，这会影响模型的分类效果。
对输入数据的表达形式很敏感：例如，不同的特征编码方式可能会导致模型的性能有较大差异。
