ตัวแยกประเภท naıve Bayesian สร้างสมมติฐานของความเป็นอิสระตามเงื่อนไขของคลาส เช่น เมื่อให้ป้ายกำกับคลาสของ tuple ค่าของแอตทริบิวต์จะถือว่าแยกจากกันแบบมีเงื่อนไข สิ่งนี้เป็นตัวกำหนดการประเมิน
เมื่อข้อสันนิษฐานมีผลจริง ดังนั้นตัวแยกประเภทแบบเบย์ที่ไร้เดียงสาจึงมีประสิทธิภาพในทางตรงกันข้ามกับตัวแยกประเภทหลายตัว มันสามารถแสดงการแจกแจงความน่าจะเป็นแบบมีเงื่อนไขร่วมกันได้
สิ่งเหล่านี้ช่วยให้สามารถแสดงความเป็นอิสระตามเงื่อนไขของคลาสระหว่างชุดย่อยของตัวแปรได้ พวกเขาสนับสนุนโครงสร้างกราฟิกของความสัมพันธ์เชิงสาเหตุซึ่งการเรียนรู้สามารถนำไปใช้ได้ เครือข่ายความเชื่อ Bayesian ที่ผ่านการฝึกอบรมใช้สำหรับการจัดประเภท เครือข่ายความเชื่อแบบเบย์เรียกอีกอย่างว่าเครือข่ายความเชื่อ เครือข่ายแบบเบย์ และเครือข่ายความน่าจะเป็น
เครือข่ายความเชื่อแสดงโดยองค์ประกอบสองส่วน ได้แก่ กราฟวงกลมที่กำหนดและกลุ่มของตารางความน่าจะเป็นแบบมีเงื่อนไข ทุกโหนดในกราฟ acyclic กำหนดทิศทางตัวแปรสุ่ม ตัวแปรสามารถกำหนดค่าแบบไม่ต่อเนื่องหรือแบบต่อเนื่องได้
พวกเขาสามารถสอดคล้องกับคุณลักษณะบางอย่างที่ให้ไว้ในข้อมูลหรือ "ตัวแปรที่ซ่อนอยู่" ที่เชื่อว่าก่อให้เกิดความสัมพันธ์ (เช่นในกรณีของเวชระเบียน ตัวแปรที่ซ่อนอยู่สามารถบ่งบอกถึงกลุ่มอาการ โดยอธิบายอาการหลายอย่างร่วมกันระบุโรคที่แน่นอน )
มีลักษณะของเครือข่ายความเชื่อแบบเบย์ซึ่งมีดังต่อไปนี้ -
BBN สนับสนุนวิธีการจับความรู้เดิมของโดเมนเฉพาะโดยใช้แบบจำลองกราฟิก เครือข่ายสามารถใช้เพื่อเข้ารหัสการพึ่งพาเชิงสาเหตุระหว่างตัวแปรได้
การสร้างเครือข่ายอาจใช้เวลานานและต้องใช้ความพยายามอย่างมาก แต่โครงสร้างของเครือข่ายได้ถูกตัดสินใจแล้ว การแทรกตัวแปรใหม่นั้นค่อนข้างง่าย
เครือข่ายแบบเบย์ใช้กับการจัดการบันทึกที่ไม่เพียงพอ อินสแตนซ์ที่ไม่มีแอตทริบิวต์สามารถจัดการได้โดยการรวมหรือรวมความน่าจะเป็นกับค่าที่เป็นไปได้ทั้งหมดของแอตทริบิวต์
เนื่องจากระเบียนถูกรวมเข้ากับความรู้เดิมอย่างน่าจะเป็น แนวทางนี้จึงมีประสิทธิภาพในการสร้างแบบจำลองมากเกินไป
เครือข่ายความเชื่อสามารถใช้เพื่อสร้างแบบจำลองปัญหาที่ทราบกันดีหลายประการ ตัวอย่างคือการวิเคราะห์ความเชื่อมโยงทางพันธุกรรม เช่น การทำแผนที่ของยีนบนโครโมโซม การแยกแยะปัญหาการเชื่อมโยงยีนในวิธีการอนุมานบนเครือข่ายแบบเบย์ และใช้อัลกอริธึมที่ล้ำสมัย ความสามารถในการปรับขนาดของการวิเคราะห์จึงก้าวหน้าอย่างมาก
แอปพลิเคชั่นหลายตัวได้รับประโยชน์จากความต้องการเครือข่ายความเชื่อ เช่น คอมพิวเตอร์วิทัศน์ การกู้คืนภาพ และการมองเห็นสเตอริโอ การวิเคราะห์ไฟล์และข้อความ ระบบสนับสนุนการตัดสินใจ และการวิเคราะห์ความไว ข้อความที่สามารถลดการใช้หลายแอปพลิเคชันลงเป็นการอนุมานเครือข่ายแบบเบย์ได้นั้นมีประโยชน์เนื่องจากช่วยลดความจำเป็นในการสร้างอัลกอริธึมเฉพาะสำหรับทุกแอปพลิเคชัน
