从前面两节的分析可以得知，对于贝叶斯分类器有：

也就是说，贝叶斯分类器需要的数据量正比于，所以导致了其需要海量的数据，而这在实操中是无法满足的，所以必须引入条件独立假设，从而使得所需要的数据量正比于。下面就来进一步解释。

以垃圾邮件分类数据集为例，它有两个特征“便宜”和“买”。在正常邮件中，或者在垃圾邮件中，如果这两个关键字毫无关系，那么就称为条件独立（Conditional Independence）。用代数表示即为：

该定义可以推广到个特征：

有了条件独立假设后，对于 2 个特征的数据集只需要知道下面个概率：

就可以推出正类的分布，比如想知道只需要如下计算：

同样的道理，有 3 个特征的话，只需要知道下面个概率，就可以推出正类的分布：

所以，有了条件独立假设后，贝叶斯分类器需要的数据量大大减少：

从而使得学习具有了可行性。