您可以查看此来源作为对朴素贝叶斯和应用程序的一个很好的解释。朴素贝叶斯分类器的方式是基于贝叶斯定理：

该算法中的目标函数是最大化后验概率（假设特征彼此独立，这是不现实的但仍然适用于许多应用程序）：

朴素贝叶斯的简单工作方式实际上是计算条件概率和先验，这就是计算特征值在类 j 的样本中出现的次数、该类的总样本等：

样本何时属于一类或另一类的判别实际上是由最高后验概率决定的，但损失函数实际上是一个零一决策，并且对违反属性独立性假设具有鲁棒性（查看本文）。该损失函数仅将错误分类的成本分配为 1，将正确分类的成本分配为 0，因此不考虑其他损失函数之间的任何余量。