朴素贝叶斯 (Naive Bayes) 是一种快速的概率分类器，它应用贝叶斯定理，同时假设特征在给定类别时是条件独立的——这是一种在 Tom Mitchell 1997 年的教科书《机器学习》(Machine Learning) 中得到标准机器学习处理的方法。尽管有这种简化的（“朴素的”）假设，它训练速度快，而且通常出奇地准确。

朴素贝叶斯不学习特征之间的复杂交互，而是问一个更简单的问题：给定每个类别，每个特征值本身的可能性有多大？然后，它将这些每个特征的似然度与类别的基本率相乘，并选择概率最高的类别。假装特征不相互作用使得数学计算变得微不足道，训练也极其快速——实际上，即使独立性假设不严格成立，得到的分类器仍然能很好地对类别进行排序。