朴素贝叶斯（Naive Bayes）是一种基于贝叶斯定理（Bayes’ theorem）的分类算法。它的基本思想是，通过先验概率和条件概率来计算后验概率，从而实现分类。
在朴素贝叶斯分类中，假设每个样本都由多个特征组成，每个特征都是相互独立的。然后根据给定的训练数据集，分别计算每个类别的先验概率和每个特征在不同类别下的条件概率。当需要对一个新的样本进行分类时，根据上述先验概率和条件概率计算出每个类别的后验概率，然后将后验概率最大的类别作为该样本所属的类别。
朴素贝叶斯算法的优点是简单、高效，并且对于小样本数据集也能够处理得较好。它的主要缺点是假设所有特征都是独立的，这在实际情况中很难满足。此外，它对于数据中噪音和异常值比较敏感。
朴素贝叶斯算法在自然语言处理、文本分类、垃圾邮件过滤、情感分析等领域中得到了广泛的应用。例如，在垃圾邮件过滤中，可以将邮件中的文本特征视为独立的特征，然后使用朴素贝叶斯算法对邮件进行分类，从而实现自动分类和过滤。
总之，朴素贝叶斯是一种简单、高效的分类算法，适用于小样本数据集，并且在自然语言处理、文本分类、垃圾邮件过滤等领域中有着广泛的应用。
https://www.bilibili.com/video/BV1nM4y117iz/?spm_id_from=333.1007.tianma.2-1-4.click&vd_source=569ef4f891360f2119ace98abae09f3f
三门问题（Monty Hall problem）是一个著名的概率谜题，其名源于美国电视游戏节目“Let’s Make a Deal”中的主持人Monty Hall。问题描述如下：
在游戏节目中，参赛者面前有三扇关闭的门，其中一扇门后面有一辆汽车，另外两扇门后面是羊。参赛者选择其中一扇门，主持人会在剩下的两扇门中打开一扇门，露出其中一只羊，然后问参赛者是否要改变自己的选择。问题是，参赛者是否应该改变自己的选择？
直观上看，参赛者改变选择并不会改变获胜的概率，因为参赛者最初选中汽车的概率为1/3，换门后剩下的两扇门中有一扇是汽车，有一扇是羊，换门后获胜的概率似乎仍然是1/3。然而，实际上，参赛者改变选择后获胜的概率是2/3，而不是1/3。
这个结论可以通过条件概率的计算来解释。假设参赛者一开始选择的是门A，那么获胜的情况有两种：一种是汽车在门A后面，另一种是汽车在剩下的两扇门中的一扇后面。如果参赛者不改变选择，那么获胜的概率是1/3；如果参赛者改变选择，那么获胜的概率是2/3，因为此时参赛者将有两个选择，而且有一个是汽车所在的门，另一个是羊所在的门。
因此，三门问题的结论是，参赛者应该改变自己的选择，这样获胜的概率会提高到2/3。这个结论常常被认为是反直觉的，但它可以通过条件概率的计算来得到严谨的证明。
