计算P(C1|111∙○∙A)和P(C2|111∙○∙A)需要用到P(111∙○∙A|C1)和P(111∙○∙A|C2)，此时应用朴素贝叶斯算法，我们需要一个先决条件——各观测项相互独立、没有关联关系。因为如果相互独立，就可以把概率公式拆分成这样：P(111∙○∙A|C1)=P(111|C1)*P(○|C1)*P(A|C1)，这样算起来会更容易，而且更少出现等于0的情况。
P(C1|111∙○∙A)= P(111∙○∙A|C1)*P(C1)= P(111|C1)*P(○|C1)*P(A|C1)*P(C1)=1/6*4/5*4/5*5/7=0.076
P(C2|111∙○∙A)= P(111∙○∙A|C2)*P(C2)= P(111|C2)*P(○|C2)*P(A|C2)*P(C2)=1/3*1/2*1/3*2/7=0.016
C1类比C2类概率大多了，自然预测为C1类。肉眼观察也能有这样感觉：虽然111没有在观测项1里出现过，但大部分○和大部分A都属于C1类，那么这条新数据属于C1类的可能性也很大。这就是三个观测项相互独立并共同作用于结果的情况。
实际类别是什么呢？那就没人知道了。其实我在设计第一个表格的时候预想的规则是这样的：只有连着两个1以上的数字是C2类，否则就是C1类。可见算法是很难猜测规则的，尤其训练数据量少的时候。我们只能在已有数据上多尝试几种算法，多试验一些参数，评估正确率最高的算法，再应用到未来的数据上去。