নিষ্পাপ বায়েসিয়ান ক্লাসিফায়ার শ্রেণি শর্তাধীন স্বাধীনতার অনুমান তৈরি করে, অর্থাৎ, একটি টিপলের শ্রেণী লেবেল দেওয়া হলে, বৈশিষ্ট্যগুলির মানগুলিকে শর্তসাপেক্ষে একে অপরের থেকে পৃথক বলে মনে করা হয়। এটি মূল্যায়নকে সংজ্ঞায়িত করে।
যখন অনুমানটি সত্যকে প্রভাবিত করে, তাই বহু শ্রেণীবিভাগের বিপরীতে নিষ্পাপ বায়েসিয়ান শ্রেণীবদ্ধকারী কার্যকর। এটি যৌথ শর্তাধীন সম্ভাব্যতা বিতরণের প্রতিনিধিত্ব করতে পারে।
তারা ভেরিয়েবলের উপসেটগুলির মধ্যে প্রতিনিধিত্ব করার জন্য শ্রেণি শর্তাধীন স্বাধীনতাকে সক্ষম করে। তারা কার্যকারণ সম্পর্কের একটি গ্রাফিক্যাল কাঠামোকে সমর্থন করে, যার ভিত্তিতে শেখার প্রয়োগ করা যেতে পারে। প্রশিক্ষিত Bayesian বিশ্বাস নেটওয়ার্ক শ্রেণীবিভাগের জন্য ব্যবহার করা হয়. বেয়েসিয়ান বিশ্বাস নেটওয়ার্কগুলিকে বিশ্বাস নেটওয়ার্ক, বায়েসিয়ান নেটওয়ার্ক এবং সম্ভাব্য নেটওয়ার্কও বলা হয়।
একটি বিশ্বাস নেটওয়ার্ক নির্দেশিত অ্যাসাইক্লিক গ্রাফ এবং শর্তাধীন সম্ভাব্যতা সারণীগুলির একটি গ্রুপ সহ দুটি উপাদান দ্বারা প্রতিনিধিত্ব করা হয়। নির্দেশিত অ্যাসাইক্লিক গ্রাফের প্রতিটি নোড একটি এলোমেলো পরিবর্তনশীলকে সংজ্ঞায়িত করে। ভেরিয়েবলগুলি পৃথক- বা ক্রমাগত-মূল্যবান হতে পারে।
তারা তথ্যে প্রদত্ত নির্দিষ্ট বৈশিষ্ট্যের সাথে বা সম্পর্ক তৈরি করতে বিশ্বাস করা "লুকানো ভেরিয়েবল" এর সাথে সঙ্গতিপূর্ণ হতে পারে (যেমন, মেডিকেল রেকর্ডের ক্ষেত্রে, একটি লুকানো ভেরিয়েবল একটি সিনড্রোমকে বোঝাতে পারে, বেশ কয়েকটি লক্ষণ বর্ণনা করে যা একসাথে, একটি নির্দিষ্ট রোগ সনাক্ত করে। )।
বায়েসিয়ান বিলিফ নেটওয়ার্কের বৈশিষ্ট্য রয়েছে যা নিম্নরূপ -
BBN একটি গ্রাফিকাল মডেল ব্যবহার করে একটি নির্দিষ্ট ডোমেনের পূর্ববর্তী জ্ঞান ক্যাপচার করার জন্য একটি পদ্ধতি সমর্থন করে। নেটওয়ার্কটি ভেরিয়েবলের মধ্যে কার্যকারণ নির্ভরতা এনক্রিপ্ট করতে ব্যবহার করা যেতে পারে।
এটি নেটওয়ার্ক তৈরি করা সময়সাপেক্ষ হতে পারে এবং প্রচুর পরিশ্রমের প্রয়োজন হতে পারে। কিন্তু নেটওয়ার্কের গঠন সিদ্ধান্ত নেওয়া হয়েছে, একটি নতুন ভেরিয়েবল সন্নিবেশ করানো খুবই সহজ৷
৷Bayesian নেটওয়ার্কগুলি একটি অপর্যাপ্ত রেকর্ডের সাথে ডিল করার জন্য প্রযোজ্য। অনুপস্থিত বৈশিষ্ট্য সহ দৃষ্টান্তগুলি অ্যাট্রিবিউটের সমস্ত সম্ভাব্য মানগুলির উপর সম্ভাব্যতাগুলিকে সমন্বিত করে বা একত্রিত করে পরিচালনা করা যেতে পারে৷
পূর্ববর্তী জ্ঞানের সাথে সম্ভাব্যতার সাথে রেকর্ড একত্রিত হওয়ার কারণে, পদ্ধতিটি ওভারফিটিং মডেলের জন্য শক্তিশালী।
বিশ্বাস নেটওয়ার্কগুলি বেশ কয়েকটি সুপরিচিত বিষয়ের মডেল করতে ব্যবহার করা যেতে পারে। একটি উদাহরণ হল জেনেটিক লিঙ্কেজ বিশ্লেষণ যেমন একটি ক্রোমোজোমে জিনের ম্যাপিং। বায়েসিয়ান নেটওয়ার্কে অনুমানের পদ্ধতিতে জিন সংযোগের সমস্যাগুলি কাস্ট করার মাধ্যমে এবং অত্যাধুনিক অ্যালগরিদম ব্যবহার করে, বিশ্লেষণের মাপযোগ্যতা উল্লেখযোগ্যভাবে অগ্রসর হয়েছে।
কম্পিউটার ভিশন, ইমেজ রিস্টোরেশন, এবং স্টেরিও ভিশন, ফাইল এবং টেক্সট অ্যানালাইসিস, ডিসিশন সাপোর্ট সিস্টেম এবং সংবেদনশীলতা বিশ্লেষণের মতো বিশ্বাস নেটওয়ার্কের প্রয়োজনীয়তা থেকে বেশ কিছু অ্যাপ্লিকেশন উপকৃত হয়েছে। যে পাঠ্যের সাহায্যে একাধিক অ্যাপ্লিকেশনগুলিকে বায়েসিয়ান নেটওয়ার্ক অনুমানে হ্রাস করা যেতে পারে তা উপকারী যে এটি প্রতিটি অ্যাপ্লিকেশনের জন্য বিশেষ অ্যালগরিদম তৈরির প্রয়োজনীয়তাকে বাধা দেয়৷
