Bộ phân loại Bayesian naıve đưa 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 giả định là độc lập có điều kiện với nhau. Điều này đơn giản hóa việc tính toán.
Khi giả định có ảnh hưởng đúng, do đó bộ phân loại Bayesian ngây thơ là hiệu quả so với nhiều bộ phân loại. Mạng niềm tin Bayes xác định 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.
Mạng niềm tin được biểu diễn bằng hai thành phần bao gồm biểu đồ 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).
Mỗi cung xác định một phụ thuộc xác suất. Nếu một cung được vẽ từ nút Y đến nút Z, do đó Y là cha hoặc tiền nhiệm tức thời của Z, và Z là con của Y. Mọi biến đều tự trị có điều kiện đối với các biến không phải là con của nó trong biểu đồ, dựa trên cha mẹ của nó .
Mạng niềm tin có một bảng xác suất có điều kiện (CPT) cho mọi biến. CPT cho một biến Y xác định phân phối có điều kiện P (Y | Cha mẹ (Y)), trong đó Cha mẹ (Y) là cha mẹ của Y.
Một nút bên trong mạng có thể được chọn làm nút "đầu ra", xác định thuộc tính nhãn lớp. Có thể có nhiều hơn một nút đầu ra. Có một số thuật toán để suy luận và học tập có thể được sử dụng cho mạng. Thay vì trả về một nhãn lớp duy nhất, quy trình phân loại có thể trả về phân phối xác suất cung cấp xác suất của mọi lớp.
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.
Có một số ứng dụng đã được hưởng lợi từ nhu cầu của mạng niềm tin như thị giác máy tính, phục hồi hình ảnh và tầm nhìn âm thanh nổi, phân tích tệp và văn bản, hệ thống hỗ trợ quyết định và phân tích độ nhạy. Nội dung mà một số ứng dụng có thể được giảm xuống theo suy luận mạng Bayes có lợi ở chỗ nó hạn chế yêu cầu tạo ra các thuật toán chuyên biệt cho từng ứng dụng.