XYP(X,Y)P(Y|X)
P(X1|Y)P(X1|X2=A,X3=B)P(Y|X)
BN ใช้ DAG เพื่อกำหนดการกระจายการขาย ดังนั้นพวกเขาเป็นแบบกราฟิก
ข้อดี:
เมื่อคุณมีข้อมูลที่ขาดหายไปจำนวนมากเช่นในด้านการแพทย์ BN มีประสิทธิภาพมากตั้งแต่การจำลองการกระจายข้อต่อ (เช่นการยืนยันว่าวิธีการสร้างข้อมูล) ช่วยลดการพึ่งพาของคุณในการมีชุดข้อมูลที่สังเกตได้อย่างสมบูรณ์
cause→effect
การเรียนรู้การแจกแจงข้อต่อเป็นงานที่ยากการสร้างแบบจำลองสำหรับตัวแปรที่ไม่ต่อเนื่อง (ผ่านการคำนวณตารางความน่าจะเป็นแบบมีเงื่อนไขนั่นคือ CPT) นั้นง่ายกว่าการพยายามทำแบบเดียวกันสำหรับตัวแปรต่อเนื่อง ดังนั้น BN จึงเป็นเรื่องธรรมดามากกว่าด้วยตัวแปรที่ไม่ต่อเนื่อง
BN ไม่เพียง แต่ช่วยให้การอนุมานเชิง (ทุกโมเดลการเรียนรู้ช่วยให้) แต่ยังเป็นสาเหตุการแทรกแซง s นี่เป็นข้อได้เปรียบที่ถูกทอดทิ้งและไม่ได้รับการยอมรับโดยทั่วไปของ BN และเกี่ยวข้องกับการให้เหตุผลเชิงต่อต้าน