今天要來講Naïve Bayes，但在開始前我們先來看看什麼事貝氏定理（Bayes’ theorem）。貝氏定理是用來描述在已知條件情況下，某件事情發生的機率。

在上式中，P(A | B)稱為事件A的事後機率，也就是已知B事件已經發生的情況下，A事件發生的機率。

在了解貝氏定理後，Naïve Bayes的目標就是要找到一個A事件，讓P(A | B)的機率可以最大。舉例來說，P(出門 | 下雨) = 0.3、P(在家 | 下雨) = 0.7，則我們的結論就是分類為『在家』，因為0.7 > 0.3。

我們可以將貝氏定理的比較簡化如下。由於P(B)（B事件發生的機率）為固定，因此我們在求出A事件為何時可以忽略P(B)的計算。

拿上述的例子，若是今天有一個新的資料{心情：1, 天氣：好}，則我們是否會出門呢？

Step1：計算出門和不出門的機率。
P(出門) = 6 / 10、P(不出門) = 4 / 10

Step2：計算出門和不出門時，心情 = 1的機率
P(心情 = 1 | 出門) = 0、P(心情 = 1 | 不出門) = 1 / 4

Step3：計算出門和不出門時，天氣好的機率
P(天氣好 | 出門) = 4 / 6、P(天氣好 | 不出門) = 1 / 4

Step4：代入公式檢查
A事件為出門：
P(B | A) * P(A) = 0 * 4 / 6 * 6 / 10 = 0

Ａ事件為不出門：
P(B | A) * P(A) = 1 / 4 * 1 / 4 * 4 / 10 = 1 / 40

當A事件為『出門』時，我們得出的機率為0，而當A事件為『不出門』時，我們得出的機率為 1/40 ，因此我們最終的結果為『不出門』。