简述一下朴素贝叶斯的优缺点和适用场景

优点：

1. 朴素贝叶斯模型发源于古典数学理论，有着坚实的数学基础，以及稳定的分类效率；

2. 对大数量训练和查询时具有较高的速度。即使使用超大规模的训练集，针对每个项目通常也只会有相对较少的特征数，并且对项目的训练和分类也仅仅是特征概率的数学运算而已；

3. 对小规模的数据表现很好，能个处理多分类任务，适合增量式训练（即可以实时的对新增的样本进行训练）；

4. 对缺失数据不太敏感，算法也比较简单，常用于文本分类；

5. 朴素贝叶斯对结果解释容易理解。

缺点：

1. 需要计算先验概率；

2. 分类决策存在错误率；

3. 对输入数据的表达形式很敏感；

4. 由于使用了样本属性独立性的假设，所以如果样本属性有关联时其效果不好。

朴素贝叶斯应用领域：

1. 欺诈检测中使用较多；

2. 一封电子邮件是否是垃圾邮件；

3. 一篇文章应该分到科技、政治，还是体育类；

4. 一段文字表达的是积极的情绪还是消极的情绪；

5. 人脸识别。