朴素贝叶斯法（naiveBayes）是基于贝叶斯定理和特征条件独立假设的分类方法。相对于其他更复杂的分类算法，朴素贝叶斯分类算法有着较好的学习效率和分类效果。朴素贝叶斯算法在文字识别、图像识别方向有着较为重要的作用，可以将未知的文字或图像，根据其已有的分类规则来进行分类。现实生活中有着广泛应用，如文本分类、垃圾邮件过滤等。

该方法进行朴素贝叶斯分类的数据训练过程，可以根据数据特征得到模型，进而用于预测。

创建朴素贝叶斯分类训练任务时，需要设置以下参数：

• 训练数据集：必填参数，需要进行训练的数据集访问连接信息，需要包含数据类型，连接参数，数据集名字等信息。可以连接HBase数据，dsf数据，本地数据。

• 数据查询条件：可选参数，可以根据此查询条件筛选出指定数据进行相应分析，支持属性条件和空间查询, 如 SmID<100 and BBOX(the_geom, 120,30,121,31)。

• 解释字段：必填参数，解释变量的字段名称，输入训练数据集的一个或多个解释字段名称作为模型的自变量，可帮助预测出结果。

• 建模字段：必填参数，用于训练模型的字段，即因变量。该字段对应将用于在未知位置进行预测的变量的已知（训练）值。

• 平滑参数：可选参数，取值范围>0，默认值为1.0。

• 朴素贝叶斯分类模型：可选参数，包括多项式模型（Multinomial）和伯努利模型（Bernoulli），默认为Multinomial。

• 距离解释变量数据集：可选参数，支持点、线、面数据集，计算给定数据集的要素与训练数据集中要素的最近距离，可自动创建一列解释变量。

• 模型保存目录：可选参数，将训练结果较好的模型保存至该地址下。为空表示不保存模型。

执行完该训练任务，输出以下结果参数：

• numClasses：分类数目。

• f1Score：加权后的f1-measure。

• accuracy：加权后的准确率。

• weightedPrecision：加权后的精确率。

• weightedRecall：加权后的召回率。