贝叶斯网络优点

通过提供图形化的方法来表示 和运算概率知识 ，贝 叶斯网络克服了基于规则 的 系统所具 有 的许多概念上和计算上的 困难 。贝 叶斯网络与统计技术相 结合 ，使得其在数据分析方面拥有了许多优点 ， 与规划挖掘 、决策树 、人工神 经网络 、密度估计 、分类 、回归 和聚类 等方法 相 比 ，贝 叶斯 网络 的优点 主要 体现在 ：

(1 )贝 叶斯 网络使 用 图形的方法描 述数据 间 的相互关系 ，语义 清晰 ，易 于理解 。 图形化 的知识 表示方法使得保持概率知识库的一致性和完整性变得容易 ，可以方便地针对条件的 改变进行网络模块的重新配置。

(2 )贝 叶斯网络易 于处理不完备数据集。对于传统标准的监督 学 习算法而言必 须知 道所有 可能的数据 输入 ， 如果缺少其中的 某一输入就会对建立的模型产生偏 差 ， 贝 叶斯网络的方法反映的是整 个数据 库 中数据间的概率关系模型 ， 缺少某 一数据变量仍 然 可以建立精 确 的模型 。

(3)贝 叶斯网络允许学习变量间的 因果关系 。在 以往 的数据分析中 ，一个问题 的 因果 关系在 干扰较多 时 ，系统就无法做 出精 确 的预测 。 而 这种 因果关系 已经包 含在 贝叶斯网络模型 中 。 贝 叶斯方法具 有 因果 和概率性语义 ，可以用来学 习数据 中 的因果关 系 ，并根据 因果关系进行 学 习 。

(4 )贝 叶斯 网络与 贝 叶斯统计相 结合能够充分利用 领域知识和样本数据的信息。 贝 叶斯 网络用 弧表示变量间的依赖关系 ， 用 概率分布表来表示依赖关 系 的强 弱 ，将先 验信息 与样本知识 有机结合起来 ，促进 了先验知识 和数据 的集成 ， 这在 样本数据 稀疏或数据 较难获 得 的时候 特别有 效 。

本文来源：https://www.bwwdw.com/article/rfg2.html