নিষ্পাপ বায়েসিয়ান ক্লাসিফায়ার শ্রেণী শর্তাধীন স্বাধীনতার অনুমান করে, অর্থাৎ, একটি টিপলের শ্রেণী লেবেল দেওয়া হলে, বৈশিষ্ট্যের মানগুলি একে অপরের থেকে শর্তাধীনভাবে স্বাধীন বলে ধরে নেওয়া হয়। এটি গণনাকে সহজ করে।
যখন অনুমান সত্যকে প্রভাবিত করে, তাই বহু শ্রেণিবিন্যাসকারীর সাথে তুলনা করার ক্ষেত্রে নিষ্পাপ বায়েসিয়ান শ্রেণীবিভাগ দক্ষ। Bayesian বিশ্বাস নেটওয়ার্ক যৌথ শর্তাধীন সম্ভাব্যতা বন্টন সংজ্ঞায়িত করে।
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. বায়েসিয়ান বিশ্বাস নেটওয়ার্কগুলিকে বিশ্বাস নেটওয়ার্ক, বায়েসিয়ান নেটওয়ার্ক এবং সম্ভাব্য নেটওয়ার্কও বলা হয়।
একটি বিশ্বাস নেটওয়ার্ক দুটি উপাদান দ্বারা উপস্থাপিত হয় যার মধ্যে একটি নির্দেশিত অ্যাসাইক্লিক গ্রাফ এবং শর্তযুক্ত সম্ভাব্যতা সারণীগুলির একটি গ্রুপ। নির্দেশিত অ্যাসাইক্লিক গ্রাফের প্রতিটি নোড একটি এলোমেলো পরিবর্তনশীলকে সংজ্ঞায়িত করে। ভেরিয়েবলগুলি পৃথক- বা ক্রমাগত-মূল্যবান হতে পারে।
এগুলি তথ্যে প্রদত্ত কিছু বৈশিষ্ট্যের সাথে বা সম্পর্ক তৈরি করে বলে বিশ্বাস করা "লুকানো ভেরিয়েবল" এর সাথে সঙ্গতিপূর্ণ হতে পারে (যেমন, মেডিকেল রেকর্ডের ক্ষেত্রে, একটি লুকানো ভেরিয়েবল একটি সিনড্রোমকে বোঝাতে পারে, অনেকগুলি লক্ষণ বর্ণনা করে যা একসাথে, একটি চিহ্নিত করে নির্দিষ্ট রোগ)।
প্রতিটি চাপ একটি সম্ভাব্য নির্ভরতা সংজ্ঞায়িত করে। যদি একটি নোড Y থেকে একটি নোড Z-এ একটি চাপ আঁকা হয়, তাই Y হল Z-এর প্যারেন্ট বা তাত্ক্ষণিক পূর্বসূরী, এবং Z হল Y-এর বংশধর। প্রতিটি পরিবর্তনশীল শর্তসাপেক্ষে গ্রাফে তার অ-উৎসরুদের থেকে স্বায়ত্তশাসিত, তার পিতামাতার ক্ষেত্রে .
একটি বিশ্বাস নেটওয়ার্কে প্রতিটি ভেরিয়েবলের জন্য একটি শর্তসাপেক্ষ সম্ভাব্যতা সারণী (CPT) থাকে। একটি পরিবর্তনশীল Y-এর জন্য CPT শর্তসাপেক্ষ বন্টন P (Y|Parents(Y)) সংজ্ঞায়িত করে, যেখানে পিতামাতা(Y) হল Y এর পিতামাতা।
নেটওয়ার্কের মধ্যে একটি নোডকে একটি "আউটপুট" নোড হিসাবে বেছে নেওয়া যেতে পারে, একটি ক্লাস লেবেল বৈশিষ্ট্য সংজ্ঞায়িত করে৷ একাধিক আউটপুট নোড থাকতে পারে। অনুমান এবং শেখার জন্য বেশ কয়েকটি অ্যালগরিদম রয়েছে যা নেটওয়ার্কে ব্যবহার করা যেতে পারে। একটি একক শ্রেণীর লেবেল ফেরত দেওয়ার পরিবর্তে, শ্রেণীবিন্যাস পদ্ধতি একটি সম্ভাব্যতা বন্টন প্রদান করতে পারে যা প্রতিটি শ্রেণীর সম্ভাব্যতা প্রদান করে।
বিশ্বাস নেটওয়ার্কগুলি বেশ কয়েকটি সুপরিচিত সমস্যার মডেল করতে ব্যবহার করা যেতে পারে৷ 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।
এমন বেশ কয়েকটি অ্যাপ্লিকেশন রয়েছে যা বিশ্বাস নেটওয়ার্কের প্রয়োজন থেকে উপকৃত হয়েছে যেমন কম্পিউটার দৃষ্টি, চিত্র পুনরুদ্ধার এবং স্টেরিও দৃষ্টি, ফাইল এবং পাঠ্য বিশ্লেষণ, সিদ্ধান্ত সমর্থন সিস্টেম এবং সংবেদনশীলতা বিশ্লেষণ। যে বিষয়বস্তু দিয়ে বেশ কয়েকটি অ্যাপ্লিকেশানকে বায়েসিয়ান নেটওয়ার্ক অনুমানে হ্রাস করা যেতে পারে তা উপকারী যে এটি প্রতিটি অ্যাপ্লিকেশনের জন্য বিশেষ অ্যালগরিদম তৈরি করার প্রয়োজনীয়তাকে বাধা দেয়৷
