有许多方法可以执行朴素贝叶斯分类 (NBC)。NBC 中的一种常用技术是将特征（变量）值重新编码为四分位数，以便将小于第 25 个百分位的值分配为 1，将第 25 到第 50 个分配为 2，将第 50 到第 75 个分配为 3，将大于第 75 个百分位的值分配为 4。因此，单个对象将在仓 Q1、Q2、Q3 或 Q4 中存放一个计数。仅对这些分类箱进行计算。然后，bin 计数（概率）基于其变量值落在给定 bin 内的样本数量。例如，如果一组对象的特征 X1 具有非常高的值，那么这将导致 X1 的 Q4 的 bin 中有很多 bin 计数。另一方面，如果另一组对象的特征 X1 的值较低，那么这些对象将在特征 X1 的 Q1 的 bin 中存放大量计数。

这实际上并不是一个非常聪明的计算，而是一种将连续值离散化为离散的方法，然后再进行利用。离散化后可以很容易地计算出基尼指数和信息增益，以确定哪些特征信息量最大，即 max(Gini)。

但是，请注意，执行 NBC 的方法有很多种，而且很多方法彼此完全不同。所以你只需要说明你在演讲或论文中实现了哪一个。

朴素贝叶斯的核心是英勇的条件假设：

决不能是离散的。例如，高斯朴素贝叶斯假设每个类别具有不同的均值和方差：密度。$x$$C$$p(x \mid C = i) = \phi(\mu_i, \sigma^2_i)$

有不同的方法来估计参数，但通常一种可能：

• 对标记数据使用最大似然。（在正态分布的情况下，均值和方差的最大似然估计基本上是样本均值和样本方差。）
• 像带有未标记数据的 EM 算法。