樸素貝葉斯分類器也是一類基于概率的分類器，它源于貝葉斯理論，假設樣本屬性之間相互獨立。
操作
利用樸素貝葉斯分類器對churn數據集進行分類：
導入e1071庫，使用naiveBayes函數構建分類器
library(e1071)
classifier = naiveBayes(trainset[,!names(trainset) %in% c("churn")],trainset$churn)
classifier
Naive Bayes Classifier for Discrete Predictors

Call:
naiveBayes.default(x = trainset[, !names(trainset) %in% c("churn")],
    y = trainset$churn)

A-priori probabilities:
trainset$churn
      yes        no
0.1477322 0.8522678

Conditional probabilities:
              international_plan
trainset$churn          0          1
           yes 0.70467836 0.29532164
           no  0.93512418 0.06487582

              voice_mail_plan
trainset$churn         0         1
           yes 0.8333333 0.1666667
           no  0.7045109 0.2954891

              number_vmail_messages
trainset$churn     [,1]     [,2]
           yes 5.099415 11.80618
           no  8.674607 14.03670

              total_day_minutes
trainset$churn     [,1]     [,2]
           yes 205.8877 69.10294
           no  174.2555 50.16357

              total_day_calls
trainset$churn     [,1]     [,2]
           yes 101.0234 22.02903
           no  100.5509 19.67038

              total_day_charge
trainset$churn     [,1]      [,2]
           yes 35.00143 11.747587
           no  29.62402  8.527769

              total_eve_minutes
trainset$churn     [,1]     [,2]
           yes 213.7269 51.92206
           no  199.6197 50.53780

              total_eve_calls
trainset$churn     [,1]     [,2]
           yes 101.4123 19.48658
           no   99.9478 20.16161

              total_eve_charge
trainset$churn     [,1]     [,2]
           yes 18.16702 4.413058
           no  16.96789 4.295730

              total_night_minutes
trainset$churn     [,1]     [,2]
           yes 205.4640 47.11434
           no  201.4184 51.34049

              total_night_calls
trainset$churn     [,1]     [,2]
           yes 100.2573 20.32690
           no  100.0193 19.68094

              total_night_charge
trainset$churn     [,1]    [,2]
           yes 9.245994 2.12038
           no  9.063882 2.31040

              total_intl_minutes
trainset$churn     [,1]     [,2]
           yes 10.73684 2.752784
           no  10.15119 2.819086

              total_intl_calls
trainset$churn     [,1]     [,2]
           yes 4.134503 2.487395
           no  4.514445 2.394724

              total_intl_charge
trainset$churn     [,1]      [,2]
           yes 2.899386 0.7432760
           no  2.741343 0.7611755

              number_customer_service_calls
trainset$churn     [,1]     [,2]
           yes 2.204678 1.808803
           no  1.441460 1.150114

生成測試數據集分類表：

bayes.table = table(predict(classifier,testset[,!names(testset) %in% c("churn")]),testset$churn)
bayes.table

      yes  no
  yes  68  45
  no   73 832

利用分類表生成混淆矩陣：
 confusionMatrix(bayes.table)
Confusion Matrix and Statistics


      yes  no
  yes  68  45
  no   73 832

               Accuracy : 0.8841          
                 95% CI : (0.8628, 0.9031)
    No Information Rate : 0.8615          
    P-Value [Acc > NIR] : 0.01880         

                  Kappa : 0.4701          
 Mcnemar's Test P-Value : 0.01294         

            Sensitivity : 0.4823          
            Specificity : 0.9487          
         Pos Pred Value : 0.6018          
         Neg Pred Value : 0.9193          
             Prevalence : 0.1385          
         Detection Rate : 0.0668          
   Detection Prevalence : 0.1110          
      Balanced Accuracy : 0.7155          

       'Positive' Class : yes    
說明

樸素貝葉斯算法假設特征變量都是條件獨立，即預測變量（x）對分類結果（c）的影響與其它變量對c的影響是相互獨立的。
先驗概率P(ωj)是由先驗知識而獲得的。
后驗概率P(ωj|x)，即假設特征值x已知的條件下類別屬于ωj的概率。樸素貝葉斯算法的優勢在于其簡單性，應用也比較直接，適合用訓練數據集規格較小，有可能存在某些缺失與噪音的情況，預測值的概率計算比較簡單，算法不足之處在于它假定的所有的特征變量之間相互獨立，并且同等重要，這個前提在現實世界中很難成立。
本節使用e1071包中的樸素貝葉斯分類器構成分類模型，首先，我們假定在樸素貝葉斯函數中調用的所有變量（包括churn類標號)都是輸入函數的第一輸入參數，churn類標號為算法的第二輸入參數。接下來，將分類模型指派給不同的變量分類。再輸出分類器的相關信息，包括函數調用、先驗概率以及條件概率等。我們也可以使用predict函數預測結果，并使用table函數得到測試數據集的分類表，最后，生成混淆矩陣計算分類模型。