A1由发文篇数和注册天数的比值确定，是一个取连续值的变量。对于这种取值，需要先把它转换成离散值，然后计算它取相应的离散值的概率。假设把发文频率划分成（-∞，0.05，（0.05，0.2）和[0.2，+∞）三个区间，然后计算发文频率落在这三个区间的概率。可以把这种划分方式理解成，发文频率落在三个区间中分别对应到发文频率这一特征属性的取值为{-1，0，1}。之所以划分成这样的三个区间，可认为是依据经验，这样三个区间恰好对应到发文频率低、中、高三种情形。A2是一个布尔型取值的特征属性，取值为{0，1}，分别对应到注册信息不完备和完备两种情形。
假设通过人工标注的方式获得了10000条训练数据，并且依据训练数据计算得到如下概率。
P（C1）=0.9，P（C2）=0.1
P（A1=-1|C1）=0.1，P（A1=0|C1）=0.5，P（A1=1|C1）=0.3
P（A2=0|C1）=0.3，P（A2=1|C1）=0.7
P（A1=-1|C2）=0.7，P（A1=0|C2）=0.2，P（A1=1|C2）=0.1
P（A2=0|C2）=0.8，P（A2=1|C2）=0.2
根据对朴素贝叶斯分类算法的描述，有了这些概率就相当于拥有了一个可用的分类器，使用这个分类器可以对未知类别的账号进行分类。例如，现在有两个未知类别的账号，其一记为X1，发文频率为0.07，注册信息不完备；其二记为X2，发文频率为0.8，注册信息完备。利用上述分类器可以计算出，对于X1，可得
P（A|C1）P（C1）=P（A1=0|C1）P（A2=0|C1）P（C1）
=0.5×0.3×0.9=0.0135
P（A|C2）P（C2）=P（A1=0|C2）P（A2=0|C2）P（C2）
=0.2×0.8×0.1=0.016
P（A|C1）P（C1）P（A|C2）P（C2）
所以X2是一个真实账号。
在上述案例中，通过简单的划分把连续取值的特征属性A1转换成了离散取值的特征属性。在具体操作中，根据特征属性取值的不同情况，有三种对应的操作方法，分别称为多项式朴素贝叶斯、高斯朴素贝叶斯和伯努利朴素贝叶斯。下面针对这三种不同的方法做一些简单的说明，内在原理不再详细解释，现阶段只需要关注具体的操作方法就可以了。
多项式朴素贝叶斯：特征属性取值为离散值。此时通过训练数据计算P（Ck）和P（A|Ck）时，有可能出现由于训练数据中没有某些类别的数据，从而导致相应的概率为0的情况，这会极大地干扰分类工作的进行。为了克服这种干扰，通常会引入一个大于0的平滑参数λ。并通过
高斯朴素贝叶斯：当特征属性具有连续取值时，除了可以像前面的案例那样把连续取值离散化，还有另一种处理方式，即假设相应的特征属性服从正态分布（又称为高斯分布）。
伯努利朴素贝叶斯：这种模型同样对应到特征属性取值为离散值的情形。但与多项式模型不同的是，在伯努利模型中，该特征的取值只能是0和1。例如，上述案例中信息是否完备这个特征属性的取值即属于此种情况。在伯努利模型中，特征属性取值为0和1时对应的两个条件概率满足
P（A=1|Ck）+P（A=0|Ck）=1
在可以使用贝叶斯分类的第三方的库中，往往会同时有上述三种处理方式供用户选择，可以通过引用相应的函数或者设置相应的参数来方便地实现这三种不同的方法。
