Famille de classifieurs probabilistes basés sur le théorème de Bayes avec l'hypothèse 'naïve' d'indépendance conditionnelle entre les features. La prédiction choisit la classe qui maximise P(classe | features) ∠P(classe) × âˆP(feature_i | classe). Malgré une hypothèse irréaliste (les features sont rarement indépendantes en pratique), Naive Bayes fonctionne remarquablement bien pour la classification de texte. Trois variantes : Multinomial NB (fréquences de mots, classique pour le spam), Bernoulli NB (features binaires), Gaussian NB (features continues supposées normales). Avantages : entraînement ultra-rapide, performant sur peu de données, gestion native des features manquantes. Excellent baseline pour NLP et filtrage de spam avant d'essayer des modèles plus complexes.