采用简单贝叶斯分类器（Naive Bayes）来预测性别时，需要考虑如何处理特征数据以提高预测性能和模型的适用性。

### 分析选项：

- **A: 将性别转换为数值属性**
- 性别通常是我们的目标变量，而不是特征，因此不需要在特征处理中转换其数值属性。通常在模型中，性别会以类别标签形式存在（如“男/女”）。

- **B: 将体重离散化**
- 将连续型特征（如体重）离散化是Naive Bayes常用的预处理方法之一。Naive Bayes对离散特征处理较好，这样的转换可以简化模型计算，提高类别条件概率的估计。

- **C: 无法预测**
- 虽然用体重预测性别可能不是很准确，因为体重对性别的影响并不直接且容易受其他因素影响，但从技术上讲，Naive Bayes可以用于预测，只不过效果不一定很好。

- **D: 将体重正规化为0~1之间**
- 这是另一种处理连续特征的方法。正规化可以使特征尺度一致，从而在某些情况下提高模型性能，但对于Naive Bayes来说，离散化通常更为有效。

### 结论：

**B: 将体重离散化** 是正确答案。
这是因为离散化能帮助Naive Bayes更好地处理连续特征，尤其是在对类别之间的条件概率进行计算时，离散特征更易于管理和建模。