klaR包中的NaiveBayes()函数遵循经典的R 接口，您可以将结果表示为其预测变量的函数，例如. 如果您的数据存储在 a 中，您可以使用点表示法在公式的 rhs 中输入所有预测变量：表示“作为被调用的所有其他变量的函数” 。formulaspam ~ x1+x2+x3data.framespam ~ ., data=dfspamdata.framedf

这是一个玩具示例，使用在线提供的《统计学习要素》（Hastie 等人，Springer 2009，第 2 版）中spam讨论的数据集。这实际上是为了让您开始使用 R 函数，而不是使用 NB 分类器的方法方面。

data(spam, package="ElemStatLearn")
library(klaR)

# set up a training sample
train.ind <- sample(1:nrow(spam), ceiling(nrow(spam)*2/3), replace=FALSE)

# apply NB classifier
nb.res <- NaiveBayes(spam ~ ., data=spam[train.ind,])

# show the results
opar <- par(mfrow=c(2,4))
plot(nb.res)
par(opar)

# predict on holdout units
nb.pred <- predict(nb.res, spam[-train.ind,])

# raw accuracy
confusion.mat <- table(nb.pred$class, spam[-train.ind,"spam"])
sum(diag(confusion.mat))/sum(confusion.mat)

此类 ML 任务的推荐附加包是caret包。它提供了许多有用的工具来预处理数据、处理训练/测试样本、在相同数据上运行不同的分类器以及总结结果。它可从 CRAN 获得，并且有很多描述常见任务的小插曲。

有一本新书叫：电子邮件机器学习：垃圾邮件过滤和优先收件箱 http://www.amazon.com/Machine-Learning-Email-Filtering-Priority/dp/1449314309/ref=sr_1_1?s=books&ie= UTF8&qid=1323836340&sr=1-1

我浏览了内容，作者正在解释贝叶斯垃圾邮件过滤。

高温高压