przez zmienną zależną klasy z niewielu rezultatów albo „klas”, zależnych od kilku opisujących zmiennych do Problem pojawia się, gdy liczba cech jest duża lub gdy cecha może przyjmować dużą liczbę wartości. Wtedy opieranie się na modelu tablic prawdopodobieństw jest niewykonalne. Dlatego też inaczej formułuje się taki model, by był bardziej przystępny.
Korzystając z twierdzenia Bayesa:
W praktyce interesujący jest tylko licznik ułamka, bo mianownik nie zależy od i wartości cechy są dane. Mianownik jest więc stały.
Licznik ułamka jest równoważny do łącznego modelu prawdopodobieństwa
który można zapisać, wykorzystując prawdopodobieństwo warunkowe
i tak dalej. Włącza się teraz „naiwną” warunkową zależność. Zakładając, że każda cecha jest warunkowo niezależna od każdej innej cechy dla
Oznacza to
więc model można wyrazić jako
Oznacza to, że pod powyższymi niezależnymi założeniami, warunkowe rozmieszczenie nad klasą zmiennych można zapisać
gdzie jest współczynnikiem skalowania zależnym wyłącznie od