我相信朴素贝叶斯在这里的受欢迎程度，因为语言处理不是我的专长：

NB 有用的一个原因是偏差-方差权衡。垃圾邮件/情绪类型的数据通常是嘈杂的，并且通常是高维的（预测变量多于样本，$n \ll p$）。预测变量相互独立的天真假设是一个强有力的、高偏差的假设。

通过假设预测变量的独立性，我们说我们模型的协方差矩阵在对角线上只有非零条目。由于估计协方差结构$n \ll p$情况非常困难确实，我们通常被迫对问题施加一些限制。独立性假设是一个特别强的约束，可以产生一个高度可解释的模型。引入的偏差可能会充分减少方差，从而获得更好的预测。