MultinomialNB要求输入特征为非负数值，因其建模多项式分布，本质是计数或频次；负值会直接报错，正确做法是改用GaussianNB处理连续变量，或通过分箱+平移转为非负整数。
因为 MultinomialNB 的数学基础要求输入代表“计数”或“频次”
多项式朴素贝叶斯（MultinomialNB）建模的是多项式分布，其底层假设是：每个特征值表示某类事件发生的次数（比如词在文档中出现的次数、某个类别下某特征取值的频次）。而次数天然是非负整数——不可能出现“-3次”这种语义。所以 MultinomialNB 在 fit 时会直接拒绝负值，抛出 ValueError: Input X must be non-negative。
用 MinMaxScaler 归一化不是万能解，但常是必要步骤
- 归一化后所有值落在
[0, 1]区间，满足非负要求 - 但它只是“绕过报错”，不等于语义合理：原本的负值可能携带方向或偏差信息（如中心化后的残差），强行缩到
[0, 1]会扭曲原始分布 - 若原始数据含负值且本就连续（如温度、误差、金融收益），应换用
GaussianNB，它明确建模连续变量的高斯分布 - 若你硬要用
MultinomialNB处理负值连续特征，常见做法是先做分箱（KBinsDiscretizer）转成整数区间编号，再加 1 确保非负
MultinomialNB 和 GaussianNB 的输入约束差异很关键
SkillSub Pro - Python 题解与代码注释双功能技能功能概述SkillSub Pro - Python 题解与代码注释双功能技能是一项面向实际任务的技能，主要用于SkillSub Pro 是一个 Python 题解生成与代码注释的 双功能合体技能 ，专为学生、算法学习者和开发者设计；✅ 一个技能，两种用途 ：；核心要点📝 题解模式 ：输入题目/题号，自动生成完整 Python 题解（含详细注释、解题思路、复杂度分析）；💬 注释模式 ：输入 Python 代码，自动添加详细中。它将相关步骤、
立即学习“Python免费学习笔记（深入）”；
-
MultinomialNB：只接受非负数值（float或int都行），但必须 ≥ 0；不接受稀疏矩阵中的负值，也不接受NaN -
GaussianNB：接受任意实数，包括负值、NaN（但会报错，需提前处理）；但它不能吃稀疏矩阵，必须是稠密array - 误把
GaussianNB的数据喂给MultinomialNB是高频翻车点——哪怕数值全为正，只要原始语义是“测量值”而非“计数”，模型解释力也会崩
文本场景下负值几乎不会出现，但别被表象骗
TF-IDF 向量默认非负，词频统计也天然非负，所以 MultinomialNB 在 NLP 中很稳。但如果你对 TF-IDF 做了中心化（减均值）、用了带符号的 embedding 差值、或拼接了其他连续特征（如句子长度标准化后带负），就可能悄无声息地引入负值——这时 fit 会立刻失败，而错误提示里根本不会告诉你哪一列、哪一行出了问题。
