您无法计算条件分布，因为该分布是在整个人口中定义的，并假设您不知道一个概率模型。

在现实生活中，您只有一个总体样本。通常，在现实生活中你也没有模型的结构。你不知道它是线性模型、多项式还是其他类型。

概率方法是假设一个模型，考虑该模型的一些假设并使用数据拟合模型的参数。那不是贝叶斯分类器，它只是一个近似值。

诀窍是“所有模型都是错误的，有些模型是有用的”。有很多方法可以学习这种近似。您可以估计联合概率（生成分类器），可以直接估计条件概率（判别分类器），或者您可以使用不同的方法（例如 SVM）并以某种方式扭曲它以逼近条件概率。但所有这些都是近似值。真正的贝叶斯分类器将仍然未知。

[后期编辑]

查看贝叶斯分类器的维基百科页面，它指出：“贝叶斯分类器是统计分类中的有用基准。”。我的观点是，这种说法是令人困惑的，如果不是完全错误的话。这可能与错误使用“贝叶斯分类器”来指定朴素贝叶斯分类器有关。如果在谷歌上搜索“贝叶斯分类器”，他会看到很多与朴素贝叶斯相关的资料。我个人不同意维基百科的说法。贝叶斯分类器是我们不知道的自然状态，但我们的目标是尽可能地近似。