Bayesian Network

贝叶斯网络是一种概率图模型，使用有向无环图 (DAG) 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，这些网络会明确建模不同因素之间的因果关系。这种结构使数据科学家能够执行预测建模并在不确定性下进行推理，因此非常适用于数据可能不完整，或需要将领域专家知识与统计证据相结合的场景。

核心概念与相关性#

这些网络的核心是贝叶斯定理，这是一种数学公式，用于在获得更多证据或信息后更新假设的概率。在贝叶斯网络中，节点表示变量，例如症状、传感器读数或分类标签；边（箭头）表示概率依赖关系。如果节点 A 与节点 B 之间存在连接，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，从而提供透明度，而这通常很难通过复杂的深度学习架构实现。

这些模型在需要严格风险评估的领域尤其重要。通过利用条件概率分布，贝叶斯网络可以根据对其他变量的观测证据，回答有关特定变量状态的查询。这一过程通常称为概率推断，有别于标准神经网络执行的函数逼近。

实际应用#

贝叶斯网络广泛应用于决策需要权衡多个不确定因素的行业。

1. 医疗诊断：在医疗保健领域的人工智能中，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）与症状或检测结果（观测变量）之间的关系进行建模。例如，医学图像分析可能会提供相关证据，从而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：在制造业人工智能中，贝叶斯网络对于异常检测和根因分析发挥着重要作用。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部件发生故障的后验概率，从而高效指导维护团队。

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种简化特殊情况。“朴素”假设是，在给定类别变量的情况下，所有预测特征彼此独立。虽然它在情感分析等任务中计算效率较高，但无法捕捉完整贝叶斯网络能够表示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，以建模随时间进行的序列决策；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）：YOLO26等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次推理。

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分数。使用Ultralytics Platform在自定义数据集上训练模型时，理解这些概率是解读模型性能的关键。

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）。这说明了如何在现代推理工作流中量化确定性。

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}")