请依据朴素贝叶斯分类器的基本原理，详细说明其训练和预测阶段的具体操作步骤。

回答思路

1. 【回答框架 1】朴素贝叶斯基于贝叶斯定理和特征条件独立假设。训练阶段，利用训练数据估计先验概率 P(C) 和每个特征在各个类别下的条件概率 P(x_i|C)。通常采用极大似然估计，即统计各类别样本占比和特征在各类别中的频率。
2. 【回答框架 2】预测阶段，对于新样本 x，计算每个类别 C 的后验概率 P(C|x) ∝ P(C) * Π P(x_i|C)。取后验概率最大的类别作为预测结果。由于分母 P(x) 对所有类别相同，可忽略。
3. 【回答框架 3】实际处理中，常用对数避免下溢，即 log P(C|x) ∝ log P(C) + Σ log P(x_i|C)。对于连续特征，通常假设服从高斯分布，估计均值和方差。
4. 【回答框架 4】此外，引入拉普拉斯平滑避免零概率问题，即在分子加 1，分母加类别数或特征取值数，确保概率非零。整个过程无需迭代优化，计算简单高效。
5. 【关键点 1】核心假设是特征条件独立，这简化了联合概率的计算。
6. 【关键点 2】训练阶段主要估计先验概率和条件概率。
7. 【关键点 3】预测阶段计算后验概率并取最大者作为类别。
8. 【关键点 4】连续特征常用高斯分布建模。
9. 【关键点 5】拉普拉斯平滑可处理零概率问题。
10. 【易错点 1】不要忽略特征条件独立假设，实际数据中往往不满足，影响模型性能。
11. 【易错点 2】连续特征直接用离散频率估计会导致概率为 0 或失真，应根据数据特性选择合适分布模型。
12. 【易错点 3】在计算概率连乘时，需注意数值下溢，通常采用对数形式或归一化处理。