Microsoft樸素貝葉斯是SSAS中最簡單的演算法，通常用作理解資料基本分組的起點。這類處理的一般特徵就是分類。這個演算法之所以稱為“樸素”，是因為所有屬性的重要性是一樣的，沒有誰比誰更高。貝葉斯之名則源於Thomas Bayes，他想出了一種運用算術（可能性）原則來理解資料的方法。對此演算法的另一個理解就是：所有屬性都是獨立的，互不相關。從字面來看，該演算法只是計算所有屬性之間的關聯。雖然該演算法既可用於預測也可用於分組，但最常用於模型構建的早期階段，更常用於分組而不是預測某個具體的值。通過要將所有屬性標記為簡單輸入或者既是輸入又是可預測的，因為這就可以演算法在執行的時候考慮到所有屬性。在標記屬性時的工作量可能有些大。很常見的情況是，在輸入中包含大量屬性，然後處理模型再評估結果。如果結果看起來沒什麼意義，我們經常減少包含的屬性數量，以便更好地理解關聯最緊密的關係。
　　如果擁有大量資料，而對資料的瞭解又很少，這時可以使用樸素貝葉斯演算法。例如，公司可能由於兼併了一家競爭對手而獲得了大量銷售資料。在處理這類資料的時候，可以用樸素貝葉斯作為起點。
　　應該瞭解的是，這個演算法有一個明顯的侷限，只能處理離散（或離散化）的內容型別。如果選擇的資料結構中包含有內容型別不是Discrete（如Continuous）的資料列，那麼樸素貝葉斯建立的挖掘模型會忽略這些資料。
　　樸素貝葉斯演算法有4個可以配置的引數：MAXIMUM_INPUT_ATTRIBUTE、MAXIMUM_OUTPUT_ATTRIBUTE、MAXIMUM_STATUS、MINIMUM_DEPENDENCY_PROBABILITY。可以在“值”中輸入新值來修改配置的（預設）值。這個資訊在“演算法引數”對話方塊的“說明”區中有說明。
　　有人可能想知道是否經常需要調整演算法引數的預設值。我們發現，隨著對各個演算法功能的逐漸瞭解，我們開始傾向於手動調節。因為樸素貝葉斯頻繁地用於資料探勘專案，尤其用於專案的早期，所以我們發現自己經常要調整它的相關引數。前3個引數的作用一目瞭然：調整配置的值為的是減少輸入值、輸出值或分組狀態的最大數量。最後的依賴關係可能性的意義不太明顯。在減小這個值的時候，實際是在要求減少模型生成的節點或分組的數量。
下面我們進入主題，同樣我們繼續利用上次的解決方案，依次步驟如下：

參考文獻：
Microsoft Naive Bayes 演算法
http://msdn.microsoft.com/zh-cn/library/ms174806(v=sql.105).aspx