请说明数据挖掘中朴素贝叶斯算法的定义，并解释其背后的核心原理。

回答思路

1. 【回答框架 1】朴素贝叶斯是一种基于贝叶斯定理的分类算法，其核心假设是特征之间相互独立，即给定类别时各特征条件独立。
2. 【回答框架 2】基本原理是计算后验概率：对于给定样本，分别计算其属于每个类别的概率，选择概率最大的类别作为预测结果。计算公式为 P(C|X) = P(C) * P(X|C) / P(X)，其中 P(C) 是类先验概率，P(X|C) 是类条件概率，P(X) 是证据因子，通常可忽略。
3. 【回答框架 3】由于特征独立假设，P(X|C) 可分解为各特征条件概率的乘积，这极大简化了计算，但实际中特征往往不独立，可能影响分类性能。
4. 【回答框架 4】训练阶段通过训练数据估计先验概率和条件概率，常用极大似然估计，并引入拉普拉斯平滑避免零概率问题。预测时对每个类别计算后验概率并取最大者。
5. 【关键点 1】朴素贝叶斯基于贝叶斯定理，核心是特征条件独立假设。
6. 【关键点 2】分类决策取后验概率最大的类别。
7. 【关键点 3】需估计类别先验概率和特征条件概率。
8. 【关键点 4】拉普拉斯平滑可处理零概率问题。
9. 【易错点 1】忽略特征独立性假设不成立时性能可能下降，但有时仍可取得良好效果。
10. 【易错点 2】对连续特征需假设分布或离散化处理。
11. 【易错点 3】零概率问题需平滑处理，否则影响结果。