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（Bayesian Network）是一种概率图模型，它利用有向无环图（DAG）来表示一组变量及其条件依赖关系。与那些仅将输入映射到输出的“黑盒”算法不同，这些网络明确地对不同因素之间的因果关系进行建模。这种结构允许数据科学家在不确定性下执行预测建模和推理，使其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情况下非常有效。

Link to this section核心概念与关联性#

这些网络的核心是贝叶斯定理，这是一个用于在获得更多证据或信息时更新假设概率的数学公式。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，提供了一种在复杂的深度学习架构中通常难以实现的透明度。

这些模型在需要严谨风险评估的领域尤为相关。通过利用条件概率分布，贝叶斯网络可以针对给定其他变量观测证据的情况下，回答有关特定变量状态的查询。这一过程（通常称为概率推理）与标准神经网络所执行的函数逼近截然不同。

Link to this section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 AI 领域，这些网络被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（观测变量）之间的关系进行建模。例如，医学图像分析可以提供证据来更新特定诊断的概率，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 AI 中，贝叶斯网络对于异常检测和根本原因分析非常重要。如果智能制造系统检测到异常温度读数，网络可以计算各种机器组件发生故障的后验概率，从而有效地引导维护团队。

Link to this section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种简化特例。“朴素”假设是指在给定类变量的情况下，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关系。
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，以建模随时间变化的序列决策，而贝叶斯网络通常关注在某一时间点上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）中学习抽象的特征表示。相比之下，贝叶斯网络更适合使用结构化变量进行高层推理。

Link to this section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 Ultralytics Platform 等工具在自定义数据集上训练模型时，理解这些概率对于解读模型性能至关重要。

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}")