贝叶斯决策论在机器学习，模式识别等诸多关注数据分析的领域都有着极为重要的地位，对贝叶斯定理进行近似求解，为机器学习算法的涉及提供了一种有效的途径，为了避免贝叶斯定理求解的时候面临的组合爆炸，样本稀疏问题。朴素贝叶斯分类器引入了属性条件独立性假设，这个假设在现实应用中往往难以成立，但有趣的是，朴素贝叶斯分类器在很多情形下都能得到相当好的性能，一种解释是：只需要各类别的条件概率排序正确，无需精准的概率值就可以导致正确分类的结果。另一种解释是：若属性之间的依赖对所有类别影响相同的时候，或者依赖关系的影响能够相互的抵消，则属性条件独立性假设在降低计算开销的同时不会对性能产生负面影响。朴素贝叶斯分类器在信息检索尤为常用，McCallum and igam在对文本分类中的两种常见方法进行了比较