朴素贝叶斯在小样本下表现优异，因其仅依赖频次统计与平滑机制，无需稳定参数估计，抗过拟合、训练稳定、预测高效且对类别不平衡鲁棒。
因为小样本下它不依赖参数估计的稳定性，靠计数+平滑就能给出可解释的概率输出，且几乎不会过拟合。
训练阶段不依赖大样本统计量
很多模型（比如逻辑回归、SVM）在小样本时容易因参数估计不准而抖动，而朴素贝叶斯只依赖每个特征在各类别下的出现频次（或均值/方差），本质是做计数统计。即使只有几十条样本，fit() 依然能稳定算出 log_priors 和 log_likelihoods。
- 对离散特征（如词频），直接用
MultinomialNB统计词-类共现次数 - 对连续特征，
GaussianNB只需估计每类的均值和标准差，不做强分布假设 - 当某特征在某类中从未出现，
alpha=1.0（默认拉普拉斯平滑）自动补 1，避免概率为 0
预测阶段天然抗过拟合
朴素贝叶斯不做全局优化，也不拟合复杂边界，而是对每个类别独立计算后验概率。小样本时，这种“局部计数+全局归一”的机制反而比试图拟合数据分布的模型更鲁棒。
- 没有梯度下降、没有正则项调参，
predict_proba()输出直接对应频率加权后的概率比 - 在 100–500 条样本的文本分类任务中，
MultinomialNB常比LogisticRegression准确率高 3–8% - 类别不平衡影响小：即使某类只有 5 个样本，只要关键词分布有区分性，仍能给出合理判别
实际部署时内存与延迟优势明显
模型体积小、加载快、预测毫秒级——这对小样本场景常伴随的边缘设备或实时 API 很关键。
-
GaussianNB模型对象通常不到 10KB；MultinomialNB的feature_log_prob_矩阵稀疏度高，可进一步压缩 - 预测时只需一次向量加法（对数先验 + 各特征对数似然求和），无矩阵乘或迭代
- 不依赖
scikit-learn的完整运行时环境，用纯 NumPy 就能复现核心逻辑
真正容易被忽略的是：小样本 ≠ 可以随便喂数据。如果特征工程没做清洗（比如未去停用词、未归一化数值范围）、或类别标签噪声高，朴素贝叶斯的“稳定”会变成“稳定地错”。它的强项是把有限信号干净地翻译成概率，而不是从混乱中挖掘信号。
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！
