Resultado Curioso | Machine Learning: classificação por trás dos panos

Ola, ao colocar o seguinte código:

#É gordinho?
#Tem perninha curta?
#Faz auau?

porco1 =    [1, 1, 0]
porco2 =    [1, 1, 0]
porco3 =    [1, 1, 0]
cachorro4 = [1, 1, 1]
cachorro5 = [0, 1, 1]
cachorro6 = [0, 1, 1]

dados = [porco1, porco2, porco3, cachorro4, cachorro5, cachorro6]
#1=porco -1=cachorro
marca = [1, 1, 1, -1, -1, -1]

from sklearn.naive_bayes import MultinomialNB

modelo = MultinomialNB()
#usando o fit, treinamos o algoritomo apartir dos dados e das marcacoes
modelo.fit(dados, marca)

misteriosos1 = [1, 1, 1]
misteriosos2 = [0, 0, 0]
misteriosos3 = [1, 0, 0]

teste = [misteriosos1, misteriosos2, misteriosos3]
#faz a predição de acordo com tudo que ja foi aprendido pelo algoritimo
resultado = modelo.predict(teste)

print(resultado)

Meu resultado foi que misterioso2 é cachorro, mas ele deveria ter saido porco(na minha mente pelo menos hahaha) Tem alguma explicação para que esse fato tenha ocorrido?

Grato,Carlos

Pode pensar da seguinte maneira.

"Todo" porco tem perna curta;
Todo porco não late;
A maioria dos porcos são gordos;
Cachorro pode ser gordo;
Cachorro pode ter perna curta;
A maioria dos cachorros latem.

Tendo essas premissas, o que você diria de um animal que não tem perna curta, não é gordo e não late?

Olha... Como esse animal não tem perna curta, ele deve ser um cachorro (já que todo porco tem perna curta); além disso ele é magro, então, ele pode ser tanto um cachorro, como um porco, mas como a maioria dos porcos são gordos, é mais provável que ele seja um cachorro; além disso, o animal misterioso não late, então é provável que seja um porco, mas pode existir cachorros que não latem. Portanto, ponderando todos esses pontos, é mais provável que seja um cachorro que não late do que um porco com pernas grandes, magro e que não late.

Nota: Se sanei sua dúvida, marque como respondido ;-)