🎯 学习路径
🪙
情境导入
📊
数据探索
🔍
特征分析
🧮
公式拆解
🏆
综合挑战
🪙 阶段一：情境导入 —— 生活中的概率思维
你知道吗？我们每天都在用"概率"做判断。先来感受一下概率的奇妙吧！
场景A：邮件来了
你的邮箱收到了100封邮件，其中有40封是垃圾邮件。如果现在又收到一封新邮件，你猜它是垃圾邮件的概率有多大？
💡 思考：你凭什么猜？——凭"历史经验"，这就是先验概率！P(垃圾邮件)=40/100=40%
场景B：看病诊断
最近医院来了50个感冒病人，其中30个是普通感冒，20个是流感。如果又来了一个新病人，你先猜他得了什么病？
💡 思考：什么信息都没有的时候，猜"普通感冒"更靠谱（因为历史比例更高）。但有了症状信息后，判断就会改变！
场景C：明天会下雨吗
你所在的城市，100天里有30天会下雨。今天天气预报说"阴天有乌云"，而你知道有乌云的天气里有80%会下雨。那你觉得明天会下雨吗？
💡 思考：你结合了"历史下雨比例"和"乌云预示下雨"两条信息来做判断——这就是贝叶斯公式的核心思想！
🎯 核心概念：
贝叶斯公式就是帮我们把"历史经验"（先验概率）和"新证据"（条件概率）结合起来，算出最终的判断概率。就像侦探办案：先有个初步判断，再根据证据不断修正！
🎲 小互动：抛硬币实验
点击硬币看它翻面！抛10次，数数正面朝上的次数——是不是接近5次？这就是概率的体现！
正面次数：0 总抛次数：0
📊 阶段二：数据探索 —— 认识训练数据
AI不是天生就会判断的，它需要从"训练数据"中学习。让我们看看AI都"学"了些什么！
📋 训练样本数据
🔍 你的发现：看看两个类别的样本各有多少？哪个类别的"历史比例"更高？这个比例就是先验概率（Prior），是贝叶斯公式的第一部分！
🔍 阶段三：特征分析 —— 哪个词最"可疑"？
朴素贝叶斯通过分析每个"特征"在不同类别中出现的概率来做判断。让我们看看各个特征在不同类别中的差异！
点击特征卡片，看看它在两个类别中的概率差异有多大！差异越大，这个特征越能帮助AI做出判断。
💡 点击上方的特征卡片，看看它是"垃圾邮件专属词"还是"正常邮件常用词"
🎯 核心概念：条件概率 P(特征|类别)—— "在垃圾邮件中，出现'免费'这个词的概率是多少？"这就是条件概率。朴素贝叶斯会把所有选中特征的条件概率乘起来（假设它们互相独立——这就是"朴素"的含义），再乘以先验概率，就得到了最终判断！
🧮 阶段四：公式拆解 —— 贝叶斯公式动手算
现在来亲手操作贝叶斯公式！选择特征，看看AI是怎么一步步算出判断结果的。
✋ 选择特征（模拟一封邮件 / 一个病人）
已选特征：还没有选择任何特征
试试把平滑系数调到0，看看有什么问题？
📐 计算过程
选择特征后，这里会显示AI的计算步骤...
🏆 阶段五：综合挑战 —— AI工程师认证
你已经了解了朴素贝叶斯的原理，现在来挑战自己吧！完成挑战，获得AI工程师认证！
0
✅ 正确次数
0
📝 总挑战次数
--
📈 正确率
🌟 恭喜你完成了全部实验！ 朴素贝叶斯虽然"朴素"，但它在文本分类、垃圾邮件过滤、情感分析等领域非常高效。记住：先验概率 × 条件概率 = 后验概率，这就是贝叶斯的核心！