XYP(X,Y)P(Y|X)
P(X1|Y)P(X1|X2=A,X3=B)P(Y|X)
संयुक्त वितरण को निर्धारित करने के लिए बीएन का डीएजी का उपयोग। इसलिए वे चित्रमय मॉडल हैं।
लाभ:
जब आपके पास बहुत सारे लापता डेटा होते हैं, जैसे कि दवा में, बीएन की संयुक्त वितरण मॉडलिंग के बाद से बहुत प्रभावी हो सकता है (यानी डेटा कैसे उत्पन्न किया गया था इस पर आपका दावा) पूरी तरह से देखे गए डेटासेट होने में आपकी निर्भरता को कम करता है।
cause→effect
संयुक्त वितरण सीखना एक कठिन काम है, इसे असतत चर के लिए मॉडलिंग करना (सशर्त संभाव्यता तालिकाओं की गणना के माध्यम से, सीपीटी की) निरंतर चर के लिए ऐसा करने की कोशिश करने की तुलना में काफी आसान है। तो बीएन असतत चर के साथ व्यावहारिक रूप से अधिक सामान्य हैं।
बीएन न केवल अवलोकन पर्यवेक्षण की अनुमति देता है (जैसा कि सभी मशीन सीखने वाले मॉडल अनुमति देते हैं), लेकिन इसके अलावा हस्तक्षेप एस भी । यह बीएन का एक सामान्य रूप से उपेक्षित और अल्पकालिक लाभ है और यह उचित तर्क से संबंधित है।