Bộ phân loại Bayesian naıve tạo ra giả định về tính độc lập có điều kiện của lớp, tức là được gán nhãn lớp của một bộ, giá trị của các thuộc tính được coi là tách biệt có điều kiện với nhau. Điều này xác định các đánh giá.
Khi giả định ảnh hưởng đến true, do đó trình phân loại Bayesian ngây thơ có hiệu quả trái ngược với nhiều trình phân loại. Nó có thể đại diện cho các phân phối xác suất có điều kiện chung.
Chúng cho phép các lớp độc lập có điều kiện được biểu diễn giữa các tập con của các biến. Chúng hỗ trợ một cấu trúc đồ họa của các mối quan hệ nhân quả, nhờ đó việc học tập có thể được thực hiện. Mạng lưới niềm tin Bayes đã được đào tạo được sử dụng để phân loại. Mạng niềm tin Bayes còn được gọi là mạng niềm tin, mạng Bayes và mạng xác suất.
Một mạng lưới niềm tin được biểu diễn bởi hai thành phần bao gồm một đồ thị xoay chiều có hướng và một nhóm các bảng xác suất có điều kiện. Mỗi nút trong biểu đồ xoay chiều có hướng xác định một biến ngẫu nhiên. Các biến có thể có giá trị rời rạc hoặc liên tục.
Chúng có thể tương ứng với một số thuộc tính nhất định được đưa ra trong thông tin hoặc với “các biến ẩn” được cho là tạo thành mối quan hệ (ví dụ:trong trường hợp hồ sơ bệnh án, một biến ẩn có thể biểu thị một hội chứng, mô tả một số triệu chứng, cùng với nhau, xác định một bệnh xác định ).
Có những đặc điểm của Mạng lưới tín ngưỡng Bayes như sau -
BBN hỗ trợ một phương pháp để nắm bắt kiến thức trước đó về một miền cụ thể bằng cách sử dụng mô hình đồ họa. Mạng có thể được sử dụng để mã hóa sự phụ thuộc nhân quả giữa các biến.
Việc xây dựng mạng có thể tốn nhiều thời gian và cần một lượng lớn nỗ lực. Nhưng cấu trúc của mạng đã được quyết định, việc chèn một biến mới khá đơn giản.
Các mạng Bayes được áp dụng để xử lý hồ sơ không đầy đủ. Các trường hợp có thuộc tính bị thiếu có thể được xử lý bằng cách tổng hợp hoặc tích hợp các xác suất trên tất cả các giá trị có thể có của thuộc tính.
Do hồ sơ được kết hợp theo xác suất với kiến thức trước đó, nên phương pháp này rất hiệu quả để lập mô hình trang bị quá mức.
Mạng niềm tin có thể được sử dụng để mô hình hóa một số vấn đề nổi tiếng. Một ví dụ là phân tích liên kết di truyền chẳng hạn như ánh xạ gen lên nhiễm sắc thể. Bằng cách đúc kết các vấn đề liên kết gen trong phương pháp suy luận trên mạng Bayes và sử dụng các thuật toán hiện đại, khả năng mở rộng của phân tích đã nâng cao đáng kể.
Một số ứng dụng đã được hưởng lợi từ nhu cầu về mạng niềm tin như thị giác máy tính, phục hồi hình ảnh và tầm nhìn âm thanh nổi, tệp và phân tích văn bản, hệ thống hỗ trợ quyết định và phân tích độ nhạy. Văn bản mà nhiều ứng dụng có thể được rút gọn thành suy luận mạng Bayes có lợi ở chỗ nó hạn chế nhu cầu tạo các thuật toán chuyên biệt cho mọi ứng dụng.