countvectorizer比手写词频统计更可靠，因其内置小写转换、标点清理、停用词过滤、低频词截断等标准化预处理，避免手动遗漏导致的噪声干扰或维度爆炸；且强制fit_transform与transform分离，保障训练与测试词典一致。
为什么直接用 CountVectorizer 比手写词频统计更可靠？
手写分词+字典计数看似可控，但容易漏掉停用词过滤、大小写归一、标点清理等预处理环节，导致特征维度爆炸或噪声干扰。而 CountVectorizer 默认做了小写转换、按空格/标点切分、忽略单字符（除非显式设置 token_pattern），且支持 stop_words 和 max_features 控制稀疏度。
实操建议：
• 用 analyzer='word'（默认）即可，不用自己调用 jieba 或 nltk.word_tokenize ——除非处理中文且需细粒度分词；
• 中文场景必须先分词再喂给 CountVectorizer，否则它只会按字符切；
• 设置 min_df=2 过滤低频词，避免大量只出现一次的噪声词撑大矩阵；
• vocabulary 参数可固化词典，训练和预测阶段才不会因新词报错或维度不一致。
fit_transform 和 transform 必须严格分开用
常见错误是把测试集也用 fit_transform，结果训练集和测试集各自独立构建词典，导致维度不一致、模型根本没法预测。
正确流程：
• 只对训练文本调用 vectorizer.fit_transform(train_texts)；
• 测试文本必须用同一个 vectorizer 实例调用 vectorizer.transform(test_texts)；
• 如果后续要部署，得把训练好的 vectorizer 和 NaiveBayes 模型一起持久化（如 pickle.dump），不能只存模型；
• 注意 transform 遇到训练时未见过的词会直接忽略，不是报错——这点容易误以为特征没生效。
仅使用 Python 将 Claw Code 虚拟化框架与 OpenClaw 集成，提供 184 种工具和 200 多条命令，用于安全分析和代码质量...
朴素贝叶斯选 ComplementNB 还是 MultinomialNB？
MultinomialNB 假设特征服从多项分布，要求输入非负整数（词频），适合原始 CountVectorizer 输出；ComplementNB 对类别不平衡更鲁棒，尤其当某类样本极少但关键词集中时，它用补集频率做平滑，常比 MultinomialNB 准确率高。
选择依据：
• 样本均衡 → 优先试 MultinomialNB；
• 某类样本量 ComplementNB；
• alpha（拉普拉斯平滑参数）别瞎设，默认 1.0 多数情况够用；
• 输入如果是 TfidfTransformer 转换后的浮点值，就得用 ComplementNB 或 BernoulliNB，MultinomialNB 会报错。
预测时输出概率不稳定？检查 predict_proba 的归一性
predict_proba 返回的是未经归一化的对数概率（log-prob），直接打印看着像乱码，实际要用 np.exp 转回概率值，但要注意数值下溢：小概率会变成 0.0。
安全做法：
• 用 model.predict_proba(X)[0] 得到数组后，先 np.exp 再除以和（手动归一）；
• 更稳妥是直接调 model.predict(X) 获取类别，避免对数域运算；
• 如果发现某类概率恒为 0，大概率是该类在训练集中没出现过某个词，而 alpha=0 关闭了平滑——别关；
• 中文文本若含大量 OOV（未登录词），predict_proba 各类概率可能全趋近于 0，此时应检查分词一致性而非模型本身。
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！
