樸素貝葉斯的主要優點有：
1）樸素貝葉斯模型有穩定的分類效率。
2）對小規模的資料表現很好，能處理多分類任務，適合增量式訓練，尤其是資料量超出記憶體時，可以一批批的去增量訓練。
3）對缺失資料不太敏感，演算法也比較簡單，常用於文字分類。
樸素貝葉斯的主要缺點有：　　　
1） 理論上，樸素貝葉斯模型與其他分類方法相比具有最小的誤差率。但是實際上並非總是如此，這是因為樸素貝葉斯模型給定輸出類別的情況下,假設屬性之間相互獨立，這個假設在實際應用中往往是不成立的，在屬性個數比較多或者屬性之間相關性較大時，分類效果不好。而在屬性相關性較小時，樸素貝葉斯效能最為良好。對於這一點，有半樸素貝葉斯之類的演算法通過考慮部分關聯性適度改進。
2）需要知道先驗概率，且先驗概率很多時候取決於假設，假設的模型可以有很多種，因此在某些時候會由於假設的先驗模型的原因導致預測效果不佳。
3）由於我們是通過先驗和資料來決定後驗的概率從而決定分類，所以分類決策存在一定的錯誤率。
4）對輸入資料的表達形式很敏感。