WEKA 的分类算法用起来还是挺方便的，尤其是刚接触机器学习的朋友，拿来练手再合适不过了。它把常见的算法都收得蛮全，像朴素贝叶斯、支持向量机、多层神经网络这些，都可以一键试一遍，响应也快，效果看得见。

Bayes 系列的分类器比较适合有明确概率模型的任务，比如邮件分类。NaïveBayes就是经典的朴素贝叶斯，结构简单，适合上手。而BayesNet稍微复杂点，多了个结构学习，适合数据之间有因果关系的时候。

Functions 里的分类器也蛮有意思，MultilayerPerceptron就是多层神经网络，挺适合用来跑图像类任务，虽然慢点但精度还不错。SMO是用来训练支持向量机的，适合维度高但样本不多的任务，比如文本分类。

Lazy 分类器的思路就更简单了，比如IB1和IBk直接用距离来做分类，基本就是 KNN 原理，数据多的时候有点吃性能，但调起来轻松，拿来当 baseline 还不错。

如果你想更深入了解朴素贝叶斯，可以看看贝叶斯公式与朴素贝叶斯这篇文章，讲得挺清楚；还想玩下代码的，可以去瞅瞅朴素贝叶斯 Matlab 代码的资源下载，跑一下更有感觉。

哦对了，如果你本身用 MATLAB 比较多，推荐看看MATLAB 稀疏贝叶斯程序详解，对比着用也挺有意思。

，WEKA 是那种开箱即用的工具，适合拿来快速测试模型效果。如果你刚接触机器学习，不知道从哪下手，可以从WEKA 里的几个经典分类器先练起来。