贝叶斯网络

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。 与仅将输入映射到输出的"黑箱"算法不同，这类网络能明确建模不同因素间的因果关系。这种结构使数据科学家能够在不确定性环境下进行预测建模与推理，使其在数据不完整或需将专家领域知识与统计证据相结合的场景中表现尤为高效。

核心概念与相关性

这些网络的核心是贝叶斯定理， 这套数学公式用于根据新增证据或信息 更新假设的概率值。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）则表示概率依赖关系。 若节点A存在指向节点B的链接，则表明A对B具有直接影响。这种架构对可解释人工智能（XAI）至关重要，因为它允许用户追溯模型的推理路径，提供复杂深度学习架构中难以实现的透明度。

这些模型在需要严格风险评估的领域尤为重要。通过利用条件概率分布，贝叶斯网络能够根据已观测到的其他变量证据，回答关于特定变量状态的查询。这一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截然不同。

实际应用

贝叶斯网络广泛应用于需要权衡多重不确定因素的决策行业。

1. 医疗诊断：在医疗健康领域的人工智能应用中，这些神经网络被用于支持临床决策支持系统。网络可建模疾病（隐变量）与症状或检测结果（观测变量）之间的关联关系。例如，医学影像分析可提供更新特定诊断概率的证据，帮助医生梳理复杂的患者病史。
2. 工业故障诊断：在制造业人工智能领域，贝叶斯网络对异常检测和根本原因分析至关重要。当智能制造系统检测到异常温度读数时，该网络可计算各类机械部件的故障后验概率，从而高效指导维护团队开展工作。

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至关重要：

• 朴素贝叶斯分类器：这是贝叶斯网络的一个简化特例。其"朴素"假设在于：在给定类别变量的情况下，所有预测特征彼此独立。虽然在情感分析等任务中具有计算效率优势，但它无法捕捉完整贝叶斯网络所能呈现的复杂相互依赖关系。
• 马尔可夫决策过程：虽然两者都采用图结构，但马尔可夫决策过程主要用于强化学习，以建模随时间推移的序列决策过程；而贝叶斯网络通常关注特定时间点上变量之间的概率关系。
• 深度学习模型（YOLO）： YOLO26等模型专为高维感知任务（如目标检测）优化， 它们从原始数据（像素）中学习抽象特征表示。 相比之下，贝叶斯网络更适合处理结构化变量的高级推理。

现代人工智能中的概率输出

贝叶斯网络处理显式因果图，而现代深度学习模型也会输出反映确定性的概率置信度。当Ultralytics 等工具在自定义数据集上训练模型时，理解这些概率值是解读模型性能的关键。

以下Python 演示了如何利用预训练模型获取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}")