朴素贝叶斯（Native Bayes），贝叶斯在现实使用中是怎么玩的？不是根据A|B的概率获得B|A的概率，在现实中的玩法是：
首先要明白贝叶斯是一种分类算法，因为是概率所以，他的应用领域其实是比较，那个分类的概率大就是哪个分类。
常场景是属性和结论，比如天气，风向，温度这些维度属性来推断是否适合打网球？
这里我们已经有了一些分类好的属性；然后，通过算法训练分析这些属性，建立模型，用于判断外界输入的属性是否适合打网球；
我们现在需要的公式是：根据已知的属性来判断某个分类的可能性，套用上面的公式，A就是分类，B就是一票属性（同时满足）：
因为我们已经有了分类好的数据，知道那些属性场景下的分类，可以推知某个分类，所以相当于我们已经知道了：
注意，这里P(X1=u1...，Xm=Um）可以忽略因为所有的概率计算这个值都是常量；所以用于比较的计算可以忽略。于是公式可以做如下处理：
我们根据已知分类信息，可以推知P(xj=Uj|C=c)以及P（C=c）的概率，那么剩下的就是根据输入的属性信息获得的概率值来做连乘处理。
这样就完美的可以根据已知属性→分类的信息（做训练），来推断测试/生产的属性场景的各个分类的可能性，进而选出最大的Cpredict作为分类。