目标：判断特征x属于标签ω1还是ω2
似然度 = 条件概率密度p(x|ωi) * 先验概率p(ωi)
后验概率p(ωi|x) = 条件概率密度 * 先验概率 / 特征向量的概率分布
比较方法一：直接比较分子大小
由于比较后验概率大小时，分母特征向量的概率分布与特征x无关，比较的后验概率的两个分母（特征向量的概率分布）相同，故只比较分子似然度即可。分子大的后验概率大，而“使错误率最小的分类决策就是使后验概率最大的决策”，故错误率小。
比较方法二：比较似然比阈值λ和似然比l(x)
似然比阈值λ = P(ω2) / P(ω1) 即二类先验概率除以一类先验概率（二除一）
似然比l(x) = p(x|ω1) / p(x|ω2) 即一类条件概率密度除以二类条件概率密度（一除二）
似然比大，x属于ω1
似然比小，x属于ω2
比较方法三：（负）对数似然比比较
负对数似然比阈值λ = ln[ P(ω2) / P(ω1) ]
负对数似然比h(x) = - ln[l(x)] = - lnp(x|ω1) + p(x|ω2) 即将除法变成减法便于运算，另外整体加了一个负号。
将负对数似然比与负对数似然比阈值作比较
前者小的，x属于ω1l
前者大的，x属于ω2
图像直观描述：
特征越多，坐标系的维度越多。
高维特征的最小错误率贝叶斯决策：
先将每个特征分别用一维最小贝叶斯处理，再将后验概率或分子似然度看成一个判别函数，比较各类判别函数，用判别函数值最大的一个作为决策结果。