Naivna Bayesova metoda je ena najpogosteje uporabljenih metod strojnega učenja. Odlikuje jo enostavnost uporabe, robustnost in hitrost. Večji pomanjkljivosti metode sta naivnost (predpostavka o neodvisnosti atributov) in težave pri uporabi zveznih atributov. Metoda temelji na oceni pogojnih verjetnosti, ki jih enostano izračunamo za nominalne atribute, pri zveznih atributih pa se večinoma uporablja kategorizacija (diskretizacija) zveznih atributov. Kategorizacija ima precej nezaželenih lastnosti, zato so bile predlagane tudi metode, ki neposredno ocenijo pogojne verjetnosti za zvezne atribute. Predstavil bom nekaj metod (in predlaganih različic), ki pripadajo različnim pristopom k oceni pogojnih verjetnosti za zvezne atribute. Najbolj znana je verjetno mehka diskretizacija, ki doseže zvezne prehode med intervali s tem, da primere probabilistično pripiše vsem intervalom. Zanimiva je tudi družina metod, ki pogojne verjetnosti oceni na podlagi modela funkcije gostote pogojne verjetnosti. Najnovejši predlog pa predvideva uporabo lokalne regresije. Razložene bodo lastnosti metod, opažene težave pri uporabi, predlagane izboljšave, podanih bo tudi nekaj nasvetov za izbiro problemu primerne metode.