什么是贝叶斯分类器：
P(A|B)=P(B|A)*P(A)/P(B) 通过p(B|A)(先验概率)、p(A)、p(B)来计算p(A|B)的过程。
但是，他还是和公式有一个区别就是他还要完成比较的任务从而选出一个最优的。
官方解释：
贝叶斯分类器的分类原理是通过某对象的先验概率，利用贝叶斯公式计算出其后验概率，即该对象属于某一类的概率，选择具有最大后验概率的类作为该对象所属的类。
比如有一组数据X，可能属于A集合，也可能属于B集合，这是就需要计算出它属于A集合的概率有多大，属于B集合的概率有多大。然后贝叶斯分类器算出其中的最大的作为X属于的类别。
根据计算方式的不同，主要是引入了一些噪声因素，因此在每次计算结果可能不同，这就出现了几种不同的分类器：
Naive Bayes、TAN、BAN和GBN。
贝叶斯网络是一个带有概率注释的有向无环图，图中的每一个结点均表示一个随机变量,图中两结点 间若存在着一条弧，则表示这两结点相对应的随机变量是概率相依的，反之则说明这两个随机变量是条件独立的。
注：以下来自维基百科：
在图论中，如果一个有向图无法从某个顶点出发经过若干条边回到该点，则这个图是一个有向无环图（DAG图）。
因为有向图中一个点经过两种路线到达另一个点未必形成环，因此有向无环图未必能转化成树，但任何有向树均为有向无环图。
网络中任意一个结点X均有一个相应的条件概率表(Conditional Probability Table，CPT)，用以表示结点X在其父结点取各可能值时的条件概率。
如果没有父节点，则CPT为其先验概率分布。
分类(以下来自百度百科)
贝叶斯分类器是用于分类的贝叶斯网络。该网络中应包含类结点C，其中C 的取值来自于类集合( c1 , c2 , ... , cm)，还包含一组结点X = ( X1 , X2 , ... , Xn)，表示用于分类的特征。对于贝叶斯网络分类器，若某一待分类的样本D，其分类特征值为x = ( x1 , x2 , ... , x n) ，则样本D 属于类别ci 的概率P( C = ci | X1 = x1 , X2 = x 2 , ... , Xn = x n) ，( i = 1 ,2 , ... , m) 应满足下式：
P( C = ci | X = x) = Max{ P( C = c1 | X = x) , P( C = c2 | X = x ) , ... , P( C = cm | X = x ) }
而由贝叶斯公式：
P( C = ci | X = x) = P( X = x | C = ci) * P( C = ci) / P( X = x)
其中，P( C = ci) 可由领域专家的经验得到,而P( X = x | C = ci) 和P( X = x) 的计算则较困难。
