순진한 베이지안 분류기는 클래스 조건부 독립성을 가정합니다. 즉, 튜플의 클래스 레이블이 주어지면 속성 값이 조건부로 서로 독립적인 것으로 가정됩니다. 이것은 계산을 단순화합니다.
가정 영향이 참일 때 순진한 베이지안 분류기가 여러 분류기에 비해 효율적입니다. 베이지안 믿음 네트워크는 공동 조건부 확률 분포를 정의합니다.
변수의 하위 집합 간에 클래스 조건부 독립성을 나타낼 수 있습니다. 학습이 구현될 수 있는 인과 관계의 그래픽 구조를 지원합니다. 훈련된 베이지안 믿음 네트워크는 분류에 사용됩니다. 베이지안 믿음 네트워크는 믿음 네트워크, 베이지안 네트워크 및 확률 네트워크라고도 합니다.
신념 네트워크는 방향성 비순환 그래프와 조건부 확률 테이블 그룹을 포함하는 두 가지 구성요소로 표현됩니다. 방향성 비순환 그래프의 모든 노드는 확률 변수를 정의합니다. 변수는 이산 또는 연속 값일 수 있습니다.
그것들은 정보에 제공된 특정 속성 또는 관계를 형성하는 것으로 여겨지는 "숨겨진 변수"에 해당할 수 있습니다(예:의료 기록의 경우 숨겨진 변수는 증후군을 나타낼 수 있으며 함께 확실한 질병).
각 호는 확률 의존성을 정의합니다. 호가 노드 Y에서 노드 Z로 그려지면 Y는 Z의 부모 또는 즉각적인 선행 작업이고 Z는 Y의 자손입니다. 모든 변수는 부모가 주어지면 그래프에서 비-종속 변수에 대해 조건부로 자율적입니다. .
신념 네트워크에는 모든 변수에 대해 하나의 조건부 확률 테이블(CPT)이 있습니다. 변수 Y에 대한 CPT는 조건부 분포 P(Y|Parents(Y))를 정의하며, 여기서 상위(Y)는 Y의 상위입니다.
네트워크 내부의 노드는 클래스 레이블 속성을 정의하는 "출력" 노드로 선택될 수 있습니다. 하나 이상의 출력 노드가 있을 수 있습니다. 네트워크에 사용할 수 있는 추론 및 학습을 위한 여러 알고리즘이 있습니다. 단일 클래스 레이블을 반환하는 대신 분류 절차는 모든 클래스의 확률을 제공하는 확률 분포를 반환할 수 있습니다.
신념 네트워크는 몇 가지 잘 알려진 문제를 모델링하는 데 사용할 수 있습니다. 예를 들어 유전자를 염색체에 매핑하는 것과 같은 유전적 연관 분석이 있습니다. 베이지안 네트워크에 대한 추론 방식의 유전자 연관 문제를 캐스팅하고 최첨단 알고리즘을 활용하여 분석의 확장성을 크게 향상시켰습니다.
컴퓨터 비전, 이미지 복원 및 스테레오 비전, 파일 및 텍스트 분석, 의사 결정 지원 시스템, 민감도 분석과 같은 신념 네트워크의 필요성으로부터 혜택을 받은 여러 응용 프로그램이 있습니다. 여러 애플리케이션을 베이지안 네트워크 추론으로 축소할 수 있는 콘텐츠는 애플리케이션별로 전문화된 알고리즘을 생성하는 데 필요한 작업을 억제한다는 점에서 유리합니다.