sklearn.naive_bayes.MultinomialNB不能直接处理原始邮件文本，因它仅接受数值型2D特征矩阵；须先用CountVectorizer或TfidfVectorizer将文本转为词频或TF-IDF向量，且训练与测试需共用同一vectorizer的fit_transform/transform流程。
为什么 sklearn.naive_bayes.MultinomialNB 不能直接喂原始邮件文本？
因为它不处理文本——只认数字特征。你扔进去一串 "Free money now!"，它会报 ValueError: X must be a 2D array 或更隐晦的 TypeError: A sparse matrix was passed, but dense data is required。这不是模型错了，是管道断在了前面。
真正干活的是 TfidfVectorizer 或 CountVectorizer：它们把每封邮件转成一个词频向量（比如长度为 10000 的数组），每个位置代表某个词出现几次 / TF-IDF 值是多少。
-
CountVectorizer更贴近朴素贝叶斯“词频独立”的原始假设，适合小数据或教学演示 -
TfidfVectorizer对高频无意义词（如 “the”, “and”）打压更强，实战中通常效果更好 - 务必用同一个
fit_transform()处理训练集，再用transform()处理测试集或新邮件——否则维度对不上，predict()直接崩
MultinomialNB 的 alpha 参数到底调什么？
它不是学习率，也不是正则强度系数，而是拉普拉斯平滑的加法项。默认 alpha=1.0 表示：每个词频统计上都额外 +1，分母总词数也 + 词汇表大小。目的是防止某词在训练集中完全没出现过，导致条件概率为 0，整个后验概率归零。
- 训练集极小（比如每类就几十封邮件）时，
alpha可设为0.1～0.5，避免过度平滑稀释真实信号 - 训练集大且词表广（比如 5 万维），
alpha可升到1.0甚至2.0，防止单个未登录词拖垮整体判断 - 别盲目网格搜索——先固定
alpha=1.0跑通 baseline，再看验证集 F1 是否明显抖动；抖动大才值得调
为什么垃圾邮件分类里不用 GaussianNB？
因为邮件特征是离散的词频（非负整数）或 TF-IDF（非负浮点），而 GaussianNB 假设每个特征服从正态分布——词频不可能是负数，更不会左右对称，强行套用会导致概率密度计算失真，尤其是低频词被严重低估。
立即学习“Python免费学习笔记（深入）”；
-
MultinomialNB显式建模“文档生成过程”：从类别先选词分布，再按多项式采样出词频，逻辑自洽 -
BernoulliNB有时可用（把词频转成是否出现），但会丢掉“多次出现可能更可疑”这个重要信号，比如 “FREE FREE FREE” 比单次 “FREE” 更像垃圾邮件 - 如果你硬用
GaussianNB并标准化了 TF-IDF 特征，模型可能跑通，但 AUC 通常比MultinomialNB低 3–5 个百分点，且解释性归零
预测时 predict_proba() 返回的两个概率加起来不等于 1？
它返回的是**未归一化的对数概率**（log-probability），不是数学意义上的概率值。这是为了数值稳定——直接算小数连乘容易下溢成 0。所以你会看到类似 [-12.34, -8.76] 这样的输出，不是错误。
- 要得到真实概率，得手动做
np.exp()再归一化：probs = np.exp(log_probs); probs /= probs.sum() - 但实际业务中，多数人只关心最大值索引（即
predict()结果），或者用log_probs[:, 1]做排序阈值（比如只拦截 log-prob > -5 的邮件） - 注意：不同 sklearn 版本对
predict_proba()的返回形式一致，但内部是否 log-scale 不会写在 docstring 里，得看源码或实测输出值范围
