TAN分类器的分类性能明显优于naive 贝叶斯分类器。其基本思想是放宽naive 贝叶斯分类器中的独立性假设，贝叶斯分类器朴素贝叶斯分类器、贝叶斯原理、贝叶斯分类和朴素贝叶斯之间存在差异，贝叶斯原理是最大的概念，它解决了概率论中的“反向概率”问题，基于这个理论，人们设计了贝叶斯分类器，朴素贝叶斯分类是贝叶斯分类器，也是最简单的。
朴素贝叶斯基于贝叶斯定理，使用概率模型进行分类。Naive 贝叶斯分类器实际上是一种算法对人们常识的完善。但贝叶斯算法也存在一些缺点，如:训练集中选取的特征值决定了贝叶斯分类器的性能，如果选取的特征值不完整或存在大量噪声，分类效果会很差；此外，贝叶斯算法假设每个特征是独立的。
扩展朴素贝叶斯的结构，借鉴贝叶斯网络中表示依赖关系的方法，贝叶斯分类器是通过概率统计得到的，神经网络和神经网络都需要训练才能得到相应的分类函数。如果非要说区别，那就是结构上的区别。神经网络由高阶级数或几何空间逼近，无数个节点构成了非常复杂的数据关联。以垃圾邮件分类为例，线性分类，
在与决策树比较的基础上，介绍了先验概率和后验概率的关系，并详细介绍了朴素贝叶斯算法的流程。它使用更精确的量化来判断分类，使用的方法是后验概率，所谓分类问题就是我们可以在数据的自变量X空间中找到一些决策边界，用不同的标号将数据分开。如果通过某种方法找到的这些判定边界在自变量X空间中是线性的，那么这种方法被称为线性分类器。
