Bayesian ক্লাসিফায়ার হল পরিসংখ্যানগত ক্লাসিফায়ার। প্রদত্ত নমুনা একটি নির্দিষ্ট শ্রেণীর অন্তর্গত হওয়ার সম্ভাবনা সহ তারা ক্লাস সদস্যতার সম্ভাবনার পূর্বাভাস দিতে পারে। Bayesian ক্লাসিফায়ারগুলি যখন উচ্চ ডেটাবেস করতে পারে তখন তারা বড় দক্ষতা এবং গতিও প্রদর্শন করে।
একবার ক্লাস সংজ্ঞায়িত করা হলে, সিস্টেমের এমন নিয়মগুলি অনুমান করা উচিত যা শ্রেণীবিভাগ পরিচালনা করে, তাই সিস্টেমটি প্রতিটি শ্রেণীর বর্ণনা খুঁজে পেতে সক্ষম হওয়া উচিত। বর্ণনাগুলি শুধুমাত্র প্রশিক্ষণ সেটের ভবিষ্যদ্বাণীমূলক বৈশিষ্ট্যগুলিকে উল্লেখ করা উচিত যাতে শুধুমাত্র ইতিবাচক উদাহরণগুলি বর্ণনাকে সন্তুষ্ট করতে পারে, নেতিবাচক উদাহরণ নয়। একটি নিয়মকে সঠিক বলা হয় যদি এর বর্ণনায় সমস্ত ইতিবাচক উদাহরণ থাকে এবং একটি শ্রেণির নেতিবাচক উদাহরণগুলির একটিও কভার না করা হয়৷
এটি অনুমান করা হচ্ছে যে সমস্ত বৈশিষ্ট্যের অবদানগুলি স্বাধীন এবং প্রতিটি শ্রেণীবিভাগ সমস্যায় সমানভাবে অবদান রাখে, একটি সাধারণ শ্রেণিবিন্যাসের স্কিম যাকে বলা হয় Naïve Bayes শ্রেণীবিভাগ। প্রতিটি "স্বাধীন" বৈশিষ্ট্যের অবদান বিশ্লেষণ করে, একটি শর্তাধীন সম্ভাব্যতা নির্ধারণ করা হয়। একটি শ্রেণীবিভাগ তৈরি করা হয় যে প্রভাবে যোগদানের মাধ্যমে বিভিন্ন গুণাবলী তৈরি হওয়ার পূর্বাভাসের উপর।
Naïve Bayes শ্রেণীবিভাগকে Naïve বলা হয় কারণ এটি শ্রেণি শর্তাধীন স্বাধীনতা ধরে নেয়। একটি প্রদত্ত শ্রেণীর উপর একটি বৈশিষ্ট্য মানের প্রভাব অন্যান্য বৈশিষ্ট্যের মান থেকে স্বাধীন। এই অনুমানটি গণনামূলক খরচ হ্রাস করার জন্য তৈরি করা হয় এবং তাই নির্বোধ হিসাবে বিবেচিত হয়।
একটি বিশ্বাস নেটওয়ার্কের শেখার বা প্রশিক্ষণে, একাধিক পরিস্থিতিতে সম্ভব। নেটওয়ার্ক টপোলজি আগাম দেওয়া যেতে পারে বা তথ্য থেকে অনুমান করা যেতে পারে। কিছু প্রশিক্ষণ টিপলে নেটওয়ার্ক ভেরিয়েবলগুলি পর্যবেক্ষণযোগ্য বা ব্যক্তিগত হতে পারে। লুকানো ডেটার পদ্ধতি অনুপস্থিত মান বা অসম্পূর্ণ তথ্য হিসাবে সংজ্ঞায়িত করা হয়।
পর্যবেক্ষণযোগ্য ভেরিয়েবল প্রদত্ত প্রশিক্ষণ রেকর্ড থেকে নেটওয়ার্ক টপোলজি বোঝার জন্য একাধিক অ্যালগরিদম বিদ্যমান। সমস্যাটি বিচ্ছিন্ন অপ্টিমাইজেশন। মানব পেশাদারদের সাধারণত প্রত্যক্ষ শর্তাধীন নির্ভরতা সম্পর্কে ভাল ধারণা থাকে যা বিশ্লেষণের অধীনে ডোমেনে প্রভাবিত করে, যা নেটওয়ার্ক ডিজাইনে সমর্থন করে। বিশেষজ্ঞদের নোডগুলির জন্য শর্তসাপেক্ষ সম্ভাব্যতা সংজ্ঞায়িত করা উচিত যা সরাসরি নির্ভরশীলতায় কাজ করে।
এই সম্ভাব্যতাগুলি অবশিষ্ট সম্ভাব্যতার মানগুলি মূল্যায়ন করতে ব্যবহার করা যেতে পারে। যদি নেটওয়ার্ক টপোলজি স্বীকার করা হয় এবং ভেরিয়েবলগুলি পর্যবেক্ষণযোগ্য হয়, তাই নেটওয়ার্ককে প্রশিক্ষণ দেওয়া সহজ। এটিতে CPT এন্ট্রিগুলি গণনা করা হয়, যেমনটি নিষ্পাপ বায়েসিয়ান শ্রেণীবিভাগের সাথে জড়িত সম্ভাব্যতাগুলি গণনা করার সময় একইভাবে করা হয়৷
যখন নেটওয়ার্ক টপোলজি দেওয়া হয় এবং বেশ কয়েকটি ভেরিয়েবল লুকানো থাকে, তখন বিশ্বাস নেটওয়ার্কের প্রশিক্ষণ থেকে নির্বাচন করার জন্য বেশ কয়েকটি পদ্ধতি রয়েছে। এটি গ্রেডিয়েন্ট ডিসেন্টের একটি প্রতিশ্রুতিশীল পদ্ধতি সংজ্ঞায়িত করতে পারে। যারা উন্নত সংখ্যাগত পটভূমি নেই তাদের জন্য, সংজ্ঞাটি তার ক্যালকুলাস-প্যাকড সূত্রের সাথে বরং ভয়ঙ্কর দেখতে পারে।
