特征预测能力检测是一种为输入数据集的特征进行评分的方法,其依据是特征与目标类别之间的相关程度。现在已经提出一些特征预测能力检测方法,如基于随机森林和基于逻辑回归的检测方法。但是这些方法仍然存在一定的局限性,它们只能够得到单一特征的预测能力点估计,而不能表示特征取不同特征值的预测能力分布。为了解决上述问题,本文提出了一种基于高斯朴素贝叶斯分类器的特征预测能力检测方法,该种方法使用朴素贝叶斯方法作推断,而不同于以往的分类任务。本文的方法可以得到特征的每一个特征值的预测能力,即预测能力分布。具体来说,此方法可以根据朴素贝叶斯方法的条件独立性假设,估计出每一个特征的高斯分布参数。使用该参数生成高斯分布计算出每一个特征值的预测能力,由此将得到的不同特征值的预测能力使用柱状图画出,更加直观的表示出具体的特征预测能力分布的变化。实验包括了8个不同样本容量的数据集,涵盖了生物、医学、自然语言处理和计算机视觉四个不同的领域。实验结果证明了本文提出的方法在真实数据集上的有效性。但是,该种方法只可以将特征值拟合到一个高斯分布中,其高斯分布参数可能导致所有特征值无法拟合到最适合的高斯分布中,没有办法处理临近值的预测能力存在巨大差异的情况。为了使得特征值能够拟合到最适合的高斯分布,使得模型更加适用于样本复杂的数据集,本文提出了带有段数因子的高斯朴素贝叶斯分类器的特征预测能力检测模型,通过使用十折交叉验证与网格搜索法相结合的超参数调节方法调节数据集的段数因子,得出数据集与模型拟合程度最高的段数值大小,使用该段数值来拟合模型与数据集。进而使用得到的引入段数的高斯朴素贝叶斯分类器模型画出不同特征值的预测能力分布。通过实验发现该模型方法能够有效提高预测能力检测的准确度。