在KNN（K-Nearest Neighbors）算法中进行预测概率的推估时，通常会采用拉普拉斯修正法（Laplace Correction），以保证每一类的预测概率不为0。因此，正确答案是B: 拉普拉斯修正法（Laplace Correction）。

**专业分析：**

1. **KNN算法简介：**
KNN是一种基于实例的学习算法，通过计算新数据点与训练数据集中所有数据点的距离，找到最近的k个邻居，然后根据这些邻居的类别进行分类或回归。

2. **预测概率：**
在KNN中，预测概率通常是通过统计k个最近邻居中每个类别的频率来计算的。例如，如果k=5且其中3个邻居是类别A，2个邻居是类别B，那么类别A的预测概率为3/5，类别B的预测概率为2/5。

3. **拉普拉斯修正法：**
拉普拉斯修正法是一种用于处理概率估计中零概率问题的技术。具体来说，在计算概率时，拉普拉斯修正法会在每个类别的计数上加上一个小的正数（通常为1），从而避免某些类别的预测概率为0的情况。

例如，假设有两个类别A和B，k=5，但所有5个邻居都是类别A，此时类别B的预测概率会是0。通过拉普拉斯修正，可以将计数调整为类别A的计数为5+1，类别B的计数为0+1，这样类别A的预测概率为(5+1)/(5+2)=6/7，类别B的预测概率为(0+1)/(5+2)=1/7，从而避免了零概率。

4. **其他选项分析：**
- 数据正规化（Data Normalization）主要用于将数据缩放到一个标准范围内，以提高算法的性能，但与预测概率的计算无关。
- 数据一般化（Data Generalization）是一个更广泛的概念，涉及模型的泛化能力，但不是具体的概率调整方法。

综上所述，拉普拉斯修正法（Laplace Correction）是KNN算法中用于保证每一类的预测概率不为0的常用方法。