Bayesian Network

探索贝叶斯网络（Bayesian Networks）及其在概率推理中的作用。了解这些图形模型如何增强可解释 AI，并与 Ultralytics YOLO26 结合使用。

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。与简单地将输入映射到输出的“黑盒”算法不同，这些网络显式地对不同因素之间的因果关系进行建模。这种结构允许数据专家在不确定性下执行预测建模和推理，这使得它们对于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非常有效。

核心概念与关联性#

这些网络的核心是贝叶斯定理，这是一种数学公式，用于随着更多证据或信息的出现来更新假设的概率。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。如果存在从节点 A 到节点 B 的链接，则表明 A 对 B 有直接影响。这种架构对于可解释 AI (XAI) 至关重要，因为它允许用户追踪模型的推理路径，提供通常难以通过复杂的深度学习架构实现的透明度。

这些模型在需要严格风险评估的领域尤其相关。通过利用条件概率分布，贝叶斯网络可以回答关于基于观察到的关于其他变量的证据的特定变量状态的查询。这个过程通常被称为概率推理，它不同于标准神经网络执行的函数近似。

实际应用#

贝叶斯网络广泛部署在决策需要权衡多个不确定因素的行业中。

医疗诊断：在医疗保健中的 AI 领域，这些网络用于支持临床决策支持系统。网络可以对疾病（隐藏变量）与症状或测试结果（观察到的变量）之间的关系进行建模。例如，医学图像分析可能会提供更新特定诊断概率的证据，从而帮助医生处理复杂的患者病史。
工业故障诊断：在制造业中的 AI 中，贝叶斯网络对于异常检测和根本原因分析非常有用。如果智能制造系统检测到异常温度读数，网络就可以计算出各种机械组件失效的后验概率，从而有效地指导维护团队。

与相关概念的区别#

区分贝叶斯网络与其他统计和机器学习模型非常重要：

朴素贝叶斯分类器：这是贝叶斯网络的一个简化特殊情况。“朴素”假设是给定类变量，所有预测特征都是相互独立的。虽然对于情感分析等任务具有计算效率，但它无法捕捉完整贝叶斯网络所能捕捉的复杂相互依赖性。
马尔可夫决策过程：虽然两者都使用图结构，但 MDP 主要用于强化学习中，以对随时间推移的顺序决策进行建模，而贝叶斯网络通常专注于时间快照中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，贝叶斯网络更适合使用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会输出反映确定性的概率置信度分数。当使用诸如Ultralytics Platform之类的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是如何量化确定性的。

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}")