贝叶斯网络

一个贝叶斯网络是一种概率图模型，它使用有向无环图 (DAG) 来表示一组变量及其条件依赖关系。与仅仅将输入映射到输出的“黑箱”算法不同，这些网络明确地建模了不同因素之间的因果关系。这种结构允许数据科学家执行预测建模并在不确定性下进行推理，这使得它们在数据可能不完整或需要将专家领域知识与统计证据相结合的场景中非常有效。

核心概念及相关性

这些网络的核心是贝叶斯定理，一个数学公式，用于随着更多证据或信息的出现而更新假设的概率。在贝叶斯网络中，节点代表变量——例如症状、传感器读数或分类标签——而边（箭头）代表概率依赖关系。如果从节点A到节点B存在链接，则表示A对B有直接影响。这种架构对于可解释人工智能 (XAI)至关重要，因为它允许用户追踪模型的推理路径，提供了复杂深度学习架构通常难以实现的透明度。

这些模型在需要严格风险评估的领域特别相关。通过利用条件概率分布，贝叶斯网络可以回答关于特定变量状态的查询，给定关于其他变量的观测证据。这个过程通常被称为概率推理，与标准神经网络执行的函数逼近不同。

实际应用

贝叶斯网络广泛部署于决策需要权衡多个不确定因素的行业。

1. 医疗诊断：在医疗AI领域，这些网络用于支持临床决策支持系统。一个网络可以建模疾病（隐藏变量）与症状或测试结果（观察变量）之间的关系。例如，医学图像分析可以提供证据，更新特定诊断的概率，帮助医生处理复杂的患者病史。
2. 工业故障诊断：在制造业AI中，贝叶斯网络对于异常检测和根本原因分析至关重要。如果智能制造系统 detect 到异常温度读数，网络可以计算各种机器部件的故障后验概率，有效地指导维护团队。

与相关概念的区分

区分贝叶斯网络与其他统计和机器学习模型很重要：

• 朴素贝叶斯分类器: 这是一个贝叶斯网络的简化特例。“朴素”假设是，在给定类别变量的情况下，所有预测特征都是相互独立的。虽然对于情感分析等任务计算效率很高，但它无法捕捉完整贝叶斯网络所能捕捉的复杂相互依赖关系。
• 马尔可夫决策过程: 尽管两者都使用图结构，但 MDP 主要用于 强化学习中建模随时间变化的序贯决策，而贝叶斯网络通常侧重于某一时间点变量之间的概率关系。
• 深度学习模型（例如 YOLO）: 像YOLO26这样的模型针对目标检测等高维感知任务进行了优化。它们从原始数据（像素）中学习抽象特征表示。相比之下，贝叶斯网络更适合对结构化变量进行高级推理。

现代AI中的概率输出

虽然贝叶斯网络处理显式因果图，但现代深度学习模型也输出反映确定性的概率置信度分数。当使用Ultralytics平台等工具在自定义数据集上训练模型时，理解这些概率是解释模型性能的关键。

以下Python代码演示了如何使用预训练模型访问分类任务的概率分布（置信度）。这说明了在现代推理工作流中如何量化确定性。

from ultralytics import YOLO

# Load the YOLO26n-cls classification model
model = YOLO("yolo26n-cls.pt")

# Run inference on an image source
# This returns a results object containing probability data
results = model("https://ultralytics.com/images/bus.jpg")

# Iterate through results to display class probability
for result in results:
    # Access the 'probs' attribute for classification probabilities
    top_class_index = result.probs.top1
    confidence = result.probs.top1conf
    print(f"Predicted Class Index: {top_class_index}, Confidence: {confidence:.4f}")