联合概率：包括多个条件，且所有的条件都成立的概率：P(a, b)

条件概率：就是事件A在另外一个事件B已经发生条件下的发生概率 P(a | b)

相互独立：如果P(A , B) = P(A) * P(B)那么称事件A和事件B相互独立

贝叶斯公式：

P(C | W) = P(W | C) * P(C) / P(W)

下面拿一个实例来举例子：（A,B,C分别表示对应的特征中的某个值）

P(A | B,C) = P(B , C | A) * P(A) / P(B, C) = P(B | A) * P(C | A) * P(A) / P(B, C)

但是，这样可能会存在一个问题，就是P(B , C)可能为0，为了解决这个问题，“朴素”的概念就来了。

朴素：认为特征与特征之间是相互独立的

这样上面的式子中的 P( B, C)就转化为了P(B) * P(C) 就不会出现0的情况了

从上面的公式里可以看出来，该算法的主要思想就是在已有的数据集中进行搜索，找到相同的情况，对现有的数据进行预测。但是可能会遇到当很多的特征都相同，单只有一种特征不同时。算法的分子匹配不到数据集中的例子，从而分母出现会出现0的情况。为了防止分子出现0，要引入

拉普拉斯平滑系数： P(A |B) = (Ni + a) / (N + am) a 一般取1.0，对于m表示训练集中特征次的个数。 

下面用将文本分类的例子对该API进行使用：

from sklearn.datasets import fetch_20newsgroups
from sklearn.model_selection import train_test_split
from sklearn.feature_extraction.text import TfidfVectorizer
from sklearn.naive_bayes import MultinomialNB
from sklearn.model_selection import GridSearchCV


data = fetch_20newsgroups(subset='all')
x_train, x_test, y_train, y_test = train_test_split(
    data.data, data.target, test_size=0.25, random_state=0)

trans = TfidfVectorizer()
x_train = trans.fit_transform(x_train)
x_test = trans.transform(x_test)

estimator = MultinomialNB()
dir = {'alpha': [0.009, 0.0092, 0.0093, 0.0094]}
estimator = GridSearchCV(estimator=estimator, param_grid=dir, cv=10)

estimator.fit(x_train, y_train)
print(estimator.best_estimator_)
values = estimator.predict(x_test)
right = values == y_test

for i in range(len(values)):
    print(f"\nPredict {values[i]}")
    print(f"target {y_test[i]}")
    print(right[i])

print(f"sccuracy = {estimator.score(x_test, y_test) * 100}%")

sccuracy = 91.25636672325976%