Microsoft樸素貝葉斯是SSAS中最簡單的算法，通常用作理解數據基本分組的起點。這類處理的一般特征就是分類。這個算法之所以稱為“樸素”，是因為所有屬性的重要性是一樣的，沒有誰比誰更高。貝葉斯之名則源于Thomas Bayes，他想出了一種運用算術（可能性）原則來理解數據的方法。對此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，該算法只是計算所有屬性之間的關聯。雖然該算法既可用于預測也可用于分組，但最常用于模型構建的早期階段，更常用于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，然后處理模型再評估結果。如果結果看起來沒什么意義，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系?！　∪绻麚碛写罅繑祿鴮祿牧私庥趾苌?，這時可以使用樸素貝葉斯算法。例如，公司可能由于兼并了一家競爭對手而獲得了大量銷售數據。在處理這類數據的時候，可以用樸素貝葉斯作為起點?！　摿私獾氖?，這個算法有一個明顯的局限，只能處理離散（或離散化）的內容類型。如果選擇的數據結構中包含有內容類型不是Discrete（如Continuous）的數據列，那么樸素貝葉斯建立的挖掘模型會忽略這些數據?！　闼刎惾~斯算法有4個可以配置的參數：MAXIMUM_INPUT_ATTRIBUTE、MAXIMUM_OUTPUT_ATTRIBUTE、MAXIMUM_STATUS、MINIMUM_DEPENDENCY_PROBABILITY?？梢栽?ldquo;值”中輸入新值來修改配置的（默認）值。這個信息在“算法參數”對話框的“說明”區中有說明?！　∮腥丝赡芟胫朗欠窠洺Ｐ枰{整算法參數的默認值。我們發現，隨著對各個算法功能的逐漸了解，我們開始傾向于手動調節。因為樸素貝葉斯頻繁地用于數據挖掘項目，尤其用于項目的早期，所以我們發現自己經常要調整它的相關參數。前3個參數的作用一目了然：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。最后的依賴關系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：選擇所需輸入變量與預測變量，以及索引鍵。此例以序列為索引，身份為預測變量，選中統率、武力、智力、政治、魅力五個變量為輸入變量，完成后點擊“確定”按鈕，這時會到原來的頁面，點擊“下一步”按鈕，如圖所示。選擇正確的數據屬性，修正了變量的數據屬性后點擊“下一步”按鈕。更改挖掘結構名稱，點擊“完成”按鈕。挖掘模型查看器則是呈現此依賴關系網絡，對于數據的分布進一步加以了解。從“屬性配置”文件可以了解每個變量的特性分布狀況。而從“屬性特性”可以看出，不同群的基本特性概率。而從“屬性對比”中，主要可以比較不同群體的特性。

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