বেজিয়ান ক্লাসিফায়ারগুলো পরিসংখ্যানীয় ক্লাসিফায়ার। এগুলো ক্লাস মেম্বারশিপ প্রোবেবিলিটি প্রেডিক্ট করতে পারে, যেন একটি দেওয়া স্যাম্পল একটি নির্দিষ্ট ক্লাসের অন্তর্গত হয় সেই প্রোবেবিলিটি। বেজিয়ান ক্লাসিফায়ারগুলো বড় ডাটাবেস থাকলে বেশি দক্ষতা ও গতির প্রদর্শন করেছে।
একবার ক্লাসগুলো সংজ্ঞায়িত হলে, সিস্টেমটি ক্লাসিফিকেশন নিয়ন্ত্রণকারী নিয়মগুলো অনুমান করতে হবে, তাই সিস্টেমটি প্রতিটি ক্লাসের বর্ণনা খুঁজে বের করতে সক্ষম হতে হবে। বর্ণনাগুলো শুধু ট্রেনিং সেটের প্রেডিক্টিং অ্যাট্রিবিউট রেফার করা উচিত যাতে শুধু পজিটিভ উদাহরণগুলো বর্ণনা সন্তুষ্ট করে, নেগেটিভ উদাহরণগুলো না। একটি রুল সঠিক বলা হয় যদি এর বর্ণনা সব পজিটিভ উদাহরণ কভার করে এবং একটি ক্লাসের কোনো নেগেটিভ উদাহরণ কভার না করে।
সকল অ্যাট্রিবিউটের অবদান স্বাধীন এবং প্রতিটি ক্লাসিফিকেশন সমস্যাতেই সমানভাবে অবদান রাখে ধরে নিলে, একটি সহজ ক্লাসিফিকেশন স্কিম যেন নেইভ বেইজ ক্লাসিফিকেশন। প্রতিটি "স্বাধীন" অ্যাট্রিবিউটের অবদান বিশ্লেষণ করে, একটি কন্ডিশনাল প্রোবেবিলিটি নির্ধারিত হয়। প্রেডিকশন তৈরিতে একাধিক অ্যাট্রিবিউটের প্রভাব কম্বাইন করে একটি ক্লাসিফিকেশন তৈরি করা হয়।
নেইভ বেইজ ক্লাসিফিকেশনকে নেইভ বলা হয় কারণ এটি ক্লাস কন্ডিশনাল স্বাধীনতা অনুমান করে। একটি দেওয়া ক্লাসে একটি অ্যাট্রিবিউট ভ্যালুর প্রভাব অন্যান্য অ্যাট্রিবিউটের মান থেকে স্বাধীন। এই অনুমান কম্পিউটেশনাল খরচ কমাতে করা হয় এবং তাই এটিকে নেইভ বলা হয়।
এক বিলিফ নেটওয়ার্কের লার্নিং বা ট্রেনিং-এ, একাধিক সিনেরিও সম্ভব। নেটওয়ার্ক টপোলজি অগ্রিমে দেওয়া থাকতে পারে বা ইনফরমেশন থেকে অনুমান করা হয়। নেটওয়ার্ক ভেরিয়েবল অবজারভেবল বা কিছু ট্রেনিং টাপলসে হিডেন হতে পারে। হিডেন ডেটার মেথডকে মিসিং ভ্যালু বা অসম্পূর্ণ ইনফরমেশন হিসেবে ডিফাইন করা হয়।
অবজারভেবল ভেরিয়েবল দিয়ে ট্রেনিং রেকর্ড থেকে নেটওয়ার্ক টপোলজি বুঝতে একাধিক অ্যালগরিদম আছে। ইস্যুটি ডিসক্রিট অপ্টিমাইজেশন। মানব পেশাদাররা সাধারণত সরাসরি কন্ডিশনাল ডিপেন্ডেন্সির ভালো ধারণা রাখেন যা ডোমেন অধীনে বিশ্লেষণে প্রভাব ফেলে, যা নেটওয়ার্ক ডিজাইনে সাহায্য করে। পেশাদাররা সরাসরি ডিপেন্ডেন্সি-তে অংশগ্রহণকারী নোডের জন্য কন্ডিশনাল প্রোবেবিলিটি সংজ্ঞায়িত করা উচিত।
এই প্রোবেবিলিটিগুলো বাকি প্রোবেবিলিটি মান ইভ্যালুয়েট করতে ব্যবহার করা যায়। নেটওয়ার্ক টপোলজি স্বীকৃত হলে এবং ভেরিয়েবলগুলো অবজারভেবল হলে, নেটওয়ার্ক ট্রেনিং সহজ। এতে CPT এন্ট্রি কম্পিউট করা অন্তর্ভুক্ত, যা নেইভ বেজিয়ান ক্লাসিফিকেশনে ইনভলভড প্রোবেবিলিটি কম্পিউট করার সমান।
যখন নেটওয়ার্ক টপোলজি দেওয়া থাকে এবং কিছু ভেরিয়েবল হিডেন, বিলিফ নেটওয়ার্ক ট্রেন করার জন্য একাধিক পদ্ধতি থেকে বেছে নেওয়া যায়। একটি আশাপ্রদ পদ্ধতি হলো গ্রেডিয়েন্ট ডিসেন্ট। যাদের এডভান্সড নিউমেরিক্যাল ব্যাকগ্রাউন্ড নেই, তাদের জন্য ডেফিনিশন ক্যালকুলাস-প্যাকড ফর্মুলার সাথে ভয়ঙ্কর দেখতে পারে।
