朴素贝叶斯（Naive ）含义解释

"朴素"由来

朴素贝叶斯（Naive Bayes）方法是一组监督学习算法，它基于贝叶斯定理，“天真地”“朴素”地假设特征之间互相独立，即一个特征的存在与其他特征的存在无关。这也是“朴素”“Naive”一词的缘由。
贝叶斯定律及案例：https://blog.csdn.net/houhuipeng/article/details/90706539

样本$E=(x_1,x_2...x_n)$属于类别$c$的概率为：
$$p(c|E)=\frac{p(E|c)p(c)}{pE}$$当满足$E$为$c$的$﹢$例的概率大于$-$例时，可以确定$E$属于$c$
$$f_b(E)=\frac{p(C=+|E)}{p=-|E}\ge 1$$假设特征互相独立，则$$p(E|c)=p(x_1,x_2...x_n|c)=\prod _{i=1}^{n}p(x_i|c)$$
最终可得：$$f_{nb}(E)=\frac{p(C=+)}{p(C=-)}\prod _{i=1}^n\frac{p(x_i|C=+)}{p(x_i|C=-)}$$

优缺点分析

朴素贝叶斯模型是一组极其快速和简单的分类算法，通常适用于非常高维的数据集。因为它们如此之快并且可调参数很少，所以它们最终作为分类问题的快速基础非常有用。
优点：运算速度快，模型简单可调参数少。
缺点：前提假设大多数情况下不成立。
根据假设特征分布的不同，可分为：

• 高斯朴素贝叶斯
• 多项式朴素贝叶斯
• 补充朴素贝叶斯
• 伯努利朴素贝叶斯

参加sklearn官方文档：
https://scikit-learn.org/stable/modules/naive_bayes.html