ตัวแยกประเภทแบบเบย์เป็นตัวแยกประเภททางสถิติ พวกเขาสามารถทำนายความน่าจะเป็นของการเป็นสมาชิกชั้นเรียน รวมถึงความน่าจะเป็นที่กลุ่มตัวอย่างที่กำหนดเป็นของชั้นเรียนเฉพาะ ตัวแยกประเภทแบบเบย์ยังแสดงประสิทธิภาพและความเร็วขนาดใหญ่เมื่อสามารถฐานข้อมูลสูงได้
เมื่อกำหนดคลาสแล้ว ระบบควรอนุมานกฎที่ควบคุมการจัดประเภท ดังนั้นระบบควรสามารถค้นหาคำอธิบายของแต่ละคลาสได้ คำอธิบายควรอ้างอิงถึงคุณลักษณะการทำนายของชุดการฝึกเท่านั้น เพื่อให้เฉพาะตัวอย่างในเชิงบวกเท่านั้นที่ควรเป็นไปตามคำอธิบาย ไม่ใช่ตัวอย่างเชิงลบ มีการกล่าวกันว่ากฎนั้นถูกต้องหากคำอธิบายครอบคลุมตัวอย่างเชิงบวกทั้งหมด และไม่มีการครอบคลุมตัวอย่างเชิงลบของชั้นเรียน
สมมติว่าการมีส่วนร่วมโดยแอตทริบิวต์ทั้งหมดเป็นอิสระและแต่ละองค์ประกอบมีส่วนทำให้เกิดปัญหาการจำแนกอย่างเท่าเทียมกัน ซึ่งเป็นรูปแบบการจัดประเภทง่ายๆ ที่เรียกว่าการจัดประเภท Naïve Bayes โดยการวิเคราะห์การมีส่วนร่วมของแอตทริบิวต์ "อิสระ" แต่ละรายการ จะกำหนดความน่าจะเป็นแบบมีเงื่อนไข การจัดประเภทจะทำโดยการรวมผลกระทบที่คุณลักษณะหลายอย่างมีต่อการคาดการณ์ที่จะสร้าง
การจำแนกประเภท Naïve Bayes เรียกว่า Naïve เนื่องจากถือว่ามีความเป็นอิสระแบบมีเงื่อนไขของคลาส ผลกระทบของค่าแอตทริบิวต์ในคลาสที่กำหนดนั้นไม่ขึ้นกับค่าของแอตทริบิวต์อื่นๆ ข้อสมมตินี้ทำขึ้นเพื่อลดต้นทุนในการคำนวณ ดังนั้นจึงถือว่าไร้เดียงสา
ในการเรียนรู้หรือฝึกอบรมเครือข่ายความเชื่อ มีหลายสถานการณ์ที่เป็นไปได้ ทอพอโลยีเครือข่ายสามารถให้ล่วงหน้าหรืออนุมานได้จากข้อมูล ตัวแปรเครือข่ายสามารถสังเกตได้หรือเป็นส่วนตัวใน tuple การฝึกอบรมบางตัว วิธีการของข้อมูลที่ซ่อนอยู่ถูกกำหนดให้เป็นค่าที่ขาดหายไปหรือข้อมูลที่ไม่สมบูรณ์
มีอัลกอริธึมหลายแบบสำหรับการทำความเข้าใจโทโพโลยีเครือข่ายจากบันทึกการฝึกอบรมที่กำหนดตัวแปรที่สังเกตได้ ปัญหาคือการเพิ่มประสิทธิภาพที่ไม่ต่อเนื่อง ผู้เชี่ยวชาญที่เป็นมนุษย์มักเข้าใจดีถึงการพึ่งพาตามเงื่อนไขโดยตรงที่มีอิทธิพลในโดเมนภายใต้การวิเคราะห์ ซึ่งสนับสนุนในการออกแบบเครือข่าย ผู้เชี่ยวชาญควรกำหนดความน่าจะเป็นแบบมีเงื่อนไขสำหรับโหนดที่ทำงานในการพึ่งพาโดยตรง
ความน่าจะเป็นเหล่านี้สามารถใช้เพื่อประเมินค่าความน่าจะเป็นที่เหลืออยู่ ถ้าทอพอโลยีเครือข่ายได้รับการยอมรับและสามารถสังเกตตัวแปรได้ ดังนั้นการฝึกอบรมเครือข่ายจึงเป็นเรื่องง่าย ประกอบด้วยการคำนวณรายการ CPT เช่นเดียวกับที่ทำเช่นเดียวกันเมื่อคำนวณความน่าจะเป็นที่เกี่ยวข้องกับการจำแนกประเภท Bayesian ที่ไร้เดียงสา
เมื่อระบุทอพอโลยีเครือข่ายและซ่อนตัวแปรหลายตัว มีหลายวิธีให้เลือกจากการฝึกเครือข่ายความเชื่อ มันสามารถกำหนดวิธีการที่มีแนวโน้มของการโคตรไล่ระดับ สำหรับผู้ที่ไม่มีพื้นหลังเป็นตัวเลขขั้นสูง คำจำกัดความสามารถดูค่อนข้างน่ากลัวด้วยสูตรที่บรรจุแคลคูลัส
