连续型特征不能直接喂给朴素贝叶斯，因其需估计P(x_i|y)，而连续值无法用频次统计，故GaussianNB假设各特征在每类下服从高斯分布，用样本均值和无偏方差建模；它不标准化，方差为0时设为1e-9；当特征非单峰、类内强相关或某类样本过少时效果显著下降。
连续型特征为什么不能直接喂给朴素贝叶斯？
朴素贝叶斯原始公式依赖 P(x_i|y)，对离散特征可直接统计频次，但连续值有无限可能，无法用频率估计概率。所以必须建模其分布——最常用的就是假设每个特征在每个类别下服从高斯分布，再用样本去估计均值和方差。
GaussianNB 默认做了什么假设？
GaussianNB 在 fit() 时，对每个类别 y=c 和每个特征 i，独立计算：
- 均值：
self.theta_[c, i] = X[y == c, i].mean() - 方差：
self.sigma_[c, i] = X[y == c, i].var(ddof=1)（无偏估计）
预测时，对新样本 x 的每个维度，代入对应类别的高斯密度函数：exp(-(x_i - mu)^2 / (2 * sigma^2)) / sqrt(2 * pi * sigma^2)，再乘上先验概率做后验比较。注意：它不做任何标准化或缩放，方差为 0 会触发 RuntimeWarning 并设为极小值（1e-9）避免除零。
哪些情况会让 GaussianNB 效果明显变差？
高斯假设太强，以下情形容易翻车：
- 特征明显非单峰（比如双峰、长尾），
GaussianNB仍强行拟合一个钟形曲线 - 同一类别下不同特征间存在强相关（朴素贝叶斯要求条件独立，但高斯模型本身不检查协方差）
- 某特征在某个类别中样本极少（
n_samples_per_class ），方差估计失真，GaussianNB会静默使用全局方差回退（取决于var_smoothing参数） - 特征含大量异常值——均值和方差会被严重拉偏，建议先做截断或用鲁棒估计（但它不支持）
如果发现 predict_proba() 输出概率极端集中（如全 >0.99 或全
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
如何微调 var_smoothing 防止过拟合？
var_smoothing 是个平滑系数，默认为 1e-9，作用是把每个特征的方差往「所有类别的方差均值」方向轻微收缩：sigma2_smoothed = sigma2 * (1 - var_smoothing) + global_variance * var_smoothing。增大它（比如设为 1e-6）能缓解小样本类别的方差震荡，但也会削弱类别区分度。
实操建议：
- 用
GridSearchCV搜var_smoothing，范围从1e-12到1e-2，对数尺度更合理 - 若训练集各类别样本量差异极大，优先调大该值；若各类别都充足，保持默认即可
- 注意：它不是正则化超参，调太大等价于让所有类别共享方差，本质退化成「线性判别分析」近似
真正难处理的连续特征，往往得换思路：分箱转离散、用 KernelDensity 替代高斯假设、或干脆换树模型——GaussianNB 的优势从来不是拟合能力，而是快、稳、可解释。别让它干它不擅长的事。
Python免费学习笔记（深入）：立即使用
在学习笔记中，你将探索 Python 的核心概念和高级技巧！
