ตัวจำแนกประเภท naıve Bayesian ทำให้สมมติฐานของความเป็นอิสระแบบมีเงื่อนไขของคลาส เช่น กำหนดป้ายกำกับคลาสของ tuple ค่าของแอตทริบิวต์จะถือว่าเป็นอิสระจากกันตามเงื่อนไข สิ่งนี้ทำให้การคำนวณง่ายขึ้น
เมื่อสมมติฐานมีอิทธิพลจริง ดังนั้น ตัวแยกประเภทแบบเบย์ที่ไร้เดียงสาจะมีประสิทธิภาพเมื่อเปรียบเทียบกับตัวแยกประเภทหลายตัว เครือข่ายความเชื่อแบบเบย์จะกำหนดการกระจายความน่าจะเป็นแบบมีเงื่อนไขร่วมกัน
สิ่งเหล่านี้ช่วยให้สามารถแสดงความเป็นอิสระตามเงื่อนไขของคลาสระหว่างชุดย่อยของตัวแปรได้ พวกเขาสนับสนุนโครงสร้างกราฟิกของความสัมพันธ์เชิงสาเหตุซึ่งการเรียนรู้สามารถนำไปใช้ได้ เครือข่ายความเชื่อ Bayesian ที่ผ่านการฝึกอบรมใช้สำหรับการจัดประเภท เครือข่ายความเชื่อแบบเบย์เรียกอีกอย่างว่าเครือข่ายความเชื่อ เครือข่ายแบบเบย์ และเครือข่ายความน่าจะเป็น
เครือข่ายความเชื่อแสดงโดยองค์ประกอบสองส่วน ได้แก่ กราฟวงกลมที่กำหนดและกลุ่มของตารางความน่าจะเป็นแบบมีเงื่อนไข ทุกโหนดในกราฟ acyclic กำหนดทิศทางตัวแปรสุ่ม ตัวแปรสามารถกำหนดค่าแบบไม่ต่อเนื่องหรือแบบต่อเนื่องได้
พวกเขาสามารถสอดคล้องกับคุณลักษณะบางอย่างที่ให้ไว้ในข้อมูลหรือ "ตัวแปรที่ซ่อนอยู่" ที่เชื่อว่าสร้างความสัมพันธ์ (เช่นในกรณีของเวชระเบียน ตัวแปรที่ซ่อนอยู่สามารถแสดงถึงกลุ่มอาการ อธิบายอาการหลายอย่างที่ร่วมกันระบุ โรคประจำตัว)
แต่ละส่วนโค้งกำหนดการพึ่งพาความน่าจะเป็น หากส่วนโค้งถูกดึงจากโหนด Y ไปยังโหนด Z ดังนั้น Y จึงเป็นพาเรนต์หรือบรรพบุรุษก่อนหน้าของ Z ในทันที และ Z เป็นผู้สืบทอดของ Y ตัวแปรทุกตัวจะมีอิสระตามเงื่อนไขที่ไม่ใช่ทายาทในกราฟ .
เครือข่ายความเชื่อมีหนึ่งตารางความน่าจะเป็นแบบมีเงื่อนไข (CPT) สำหรับทุกตัวแปร CPT สำหรับตัวแปร Y กำหนดการกระจายแบบมีเงื่อนไข P (Y|Parents(Y)) โดยที่ Parents(Y) คือพาเรนต์ของ Y
โหนดภายในเครือข่ายสามารถเลือกเป็นโหนด "เอาต์พุต" ซึ่งกำหนดแอตทริบิวต์ป้ายกำกับของคลาส สามารถมีโหนดเอาต์พุตได้มากกว่าหนึ่งโหนด มีอัลกอริธึมหลายอย่างสำหรับการอนุมานและการเรียนรู้ที่สามารถใช้กับเครือข่ายได้ แทนที่จะส่งคืนป้ายกำกับคลาสเดียว ขั้นตอนการจำแนกประเภทสามารถส่งคืนการแจกแจงความน่าจะเป็นที่ให้ความน่าจะเป็นของทุกคลาส
เครือข่ายความเชื่อสามารถใช้เพื่อสร้างแบบจำลองปัญหาที่ทราบกันดีหลายประการ ตัวอย่างคือการวิเคราะห์ความเชื่อมโยงทางพันธุกรรม เช่น การทำแผนที่ของยีนบนโครโมโซม การแยกแยะปัญหาการเชื่อมโยงยีนในวิธีการอนุมานบนเครือข่ายแบบเบย์ และใช้อัลกอริธึมที่ล้ำสมัย ความสามารถในการปรับขนาดของการวิเคราะห์จึงก้าวหน้าอย่างมาก
มีแอปพลิเคชั่นมากมายที่ได้รับประโยชน์จากความต้องการของเครือข่ายความเชื่อ เช่น คอมพิวเตอร์วิทัศน์ การกู้คืนภาพและการมองเห็นสเตอริโอ ไฟล์และการวิเคราะห์ข้อความ ระบบสนับสนุนการตัดสินใจ และการวิเคราะห์ความไว เนื้อหาที่หลายแอปพลิเคชันสามารถลดลงเป็นการอนุมานเครือข่ายแบบเบย์ได้นั้นมีประโยชน์ในการลดความจำเป็นในการผลิตอัลกอริธึมเฉพาะสำหรับแต่ละแอปพลิเคชัน
