ИксYп( Х, Y)п( Y| Икс)
п( Х1| Y)п( Х1| Икс2= A , X3= B )п( Y| Икс)
BN используют DAG для предписания совместного распространения. Следовательно, они являются графическими моделями.
Преимущества:
Когда у вас много пропущенных данных, например, в медицине, BN могут быть очень эффективными, поскольку моделирование совместного распределения (т. Е. Ваше утверждение о том, как были получены данные) уменьшает вашу зависимость от наличия полностью наблюдаемого набора данных.
причина → следствие
Изучение совместного распределения является сложной задачей, моделирование его для дискретных переменных (посредством расчета таблиц условной вероятности, то есть СРТ) существенно проще, чем пытаться сделать то же самое для непрерывных переменных. Таким образом, BN практически чаще встречаются с дискретными переменными.
BN позволяют не только сделать вывод о наблюдении (как позволяют все модели машинного обучения), но и причинно-следственные вмешательства . Это обычно пренебрегаемое и недооцениваемое преимущество BN, и оно связано с неэффективными рассуждениями.