Naive Bayes:
简单有效的常用分类算法,典型用途：垃圾邮件分类
假设：给定目标值时属性之间相互条件独立
同样，先验概率的贝叶斯估计是
优点：
1、 无监督学习的一种，实现简单，没有迭代，学习效率高，在大样本量下会有较好的表现.
2、 对分类器的学习情况有着比较简单的解释，可以简单的通过查询学习时计算的一些概率值来了解其分类原理.
缺点：
1、 假设太强——假设特征条件独立，在输入向量的特征条件有关联的场景下并不适用.
#################################Weka###############################
######################R语言##################################
##########klaR包中的NaiveBayes函数，因为该函数较之前者增加了两个功能，一个是可以输入先验概率，另一个是在正态分布基础上增加了核平滑密度函数###################
library(klaR)
data(iris)
mN <- NaiveBayes(Species ~ ., data = iris)
plot(mN)