文本分类应优先选ComplementNB或MultinomialNB；GaussianNB仅适用于连续正态特征，TF-IDF上使用会导致准确率异常偏低。
sklearn.naive_bayes 用哪个类？别直接选 GaussianNB
多数场景下你真不需要 GaussianNB —— 它只适合特征是连续值且近似正态分布的数据。文本分类、离散标签预测这类更常见的任务，应该优先考虑 ComplementNB 或 MultiNB。
常见错误现象：GaussianNB 在 TF-IDF 向量上训练后准确率反常地低（比如低于 50%），其实是它把稀疏的高维整数计数当成了“服从高斯分布的实数”，数学前提崩了。
-
CountVectorizer+ 文本 → 用ComplementNB（对不平衡类别更鲁棒） -
TfidfVectorizer+ 短文本 →MultiNB更稳，但得先用np.log1p对 tfidf 值做平滑（避免 log(0)） - 纯离散枚举特征（如：颜色=红/蓝/绿）→
CategoricalNB，但注意它不接受字符串，必须提前LabelEncoder编码
fit() 前必须检查 X 的 shape 和 dtype
朴素贝叶斯系列对输入数据类型极其敏感：它不自动转类型，也不会报错提示你“该转了”，而是默默算出错误概率。
典型翻车点：用 pandas.DataFrame 直接传给 fit()，结果内部调用 .values 后 dtype 是 object，某些 NB 实现会当成字符串处理，导致 ValueError: Unknown label type: 'unknown'。
立即学习“Python免费学习笔记（深入）”；
让 macOS 自动化像说话一样简单 —— 用代码控制你的 Mac，无需学习 AppleScript 系统要求 macOS 14+ (Sonoma) Python 3.9+ 需要开启：辅助功能 + 屏幕录制权限
- 确保
X是二维numpy.ndarray或scipy.sparse矩阵，dtype 推荐float32或int32 - 如果从
pd.get_dummies()得到稀疏矩阵，记得用.astype(np.float32)显式转换 - 检查
y是否为一维数组，且不含 NaN ——ComplementNB遇到np.nan会静默跳过样本，不报错但训练集缩水
predict_proba() 返回的不是“置信度”，是条件概率连乘结果
很多人拿 predict_proba() 输出的最大值当模型“把握有多大”，这是误解。朴素贝叶斯的 proba 是基于独立性假设硬算出来的联合概率，数值本身没标度意义，不同类别之间不能比大小，跨模型更不能比。
使用场景：如果你要做阈值截断（比如只返回 proba > 0.8 的预测），那这个阈值必须在验证集上重新校准，不能凭经验设 0.5 或 0.7。
-
predict_proba()结果可能全小于 0.01 —— 正常，因为分母是所有类别的概率和，而朴素假设太强，导致每个类的分子都极小 - 想获得更靠谱的概率估计？加
class_prior参数手动设先验，或用CalibratedClassifierCV包一层（但会拖慢预测速度） - 线上服务中慎用
predict_proba做排序：它对特征缩放极度敏感，StandardScaler一加，结果就全乱
中文文本分类时，停用词和 min_df 不是可选项
不做这两步，ComplementNB 在中文上基本就是扔硬币水平。中文没有空格分词，高频虚词（的、了、在）会严重污染词频统计，而 min_df=1（默认）会让大量仅出现一次的噪声词进入特征空间。
错误现象：训练时 fit() 很快，但 predict() 准确率波动极大，交叉验证方差超过 20%，说明模型学到了随机噪声。
- 停用词必须自定义：jieba 分词后过滤掉《哈工大停用词表》+ 业务无关词（如“用户”“系统”这种泛称）
-
min_df至少设为3，小语料（5；同时配max_features=10000控制维度 - 别用
ngram_range=(1,2)盲加二元词——中文二元词大部分是无意义组合（如“进行操作”“可以使用”），反而稀释关键特征
真正难的不是调参，是让分词器输出的 token 能被 CountVectorizer 正确识别为原子单位。一旦中间环节混入空格、全角字符或未归一化的繁体字，整个概率计算就偏了，而且很难 debug。
