Hình III.2 Ví dụ về cấu trúc mạng Bayes tăng lên

bằng cách điều chỉnh một trong các phương pháp học cấu trúc, được gọi là Tree Augmented Naïve (TAN)

Ci

X1 X2 …

Xn

Figure III.2. Ví dụ về cấu trúc mạng Bayes tăng lên.

Trong đó Ci là nút lớp, i là lớp thứ i, Xj là các nút thuộc tính và m là số lượng thuộc tính hoặc tham số. Xác suất hậu sinh của mỗi lớp được biểu thị bằng phương trình sau:

Trong đó Pa (xij): là cha mẹ của xj đối với lớp i nếu nó tồn tại. Mạng Bayes hướng đối tượng Mạng hướng đối tượng Bayes là công cụ mô hình hóa kiến thức mạnh mẽ cho các hệ thống lớn. Chúng cho phép tái sử dụng các yếu tố nhất định của mạng, cũng như trực quan hóa đồ họa tốt hơn về mạng. Mạng Bayes hướng đối tượng cho phép đơn giản hóa biểu diễn đồ họa của Mạng Bayes theo nghĩa là một số phần nhất định của Mạng Bayes được nhóm thành một đối tượng gọi là một thể hiện [23]. Các mô hình này đặc biệt phù hợp để thể hiện Mạng động hoặc Mạng Bayes. mạng Bayes đa tác nhân. Họ cũng cho phép mô hình hóa các hệ thống phức tạp mà cùng một chế độ lý luận xuất hiện trong các hệ thống con khác nhau.

Mạng Naive Bayesian phân cấp Trong thực tế, kiến thức được cung cấp bởi một chuyên gia cũng có thể dẫn đến việc tạo ra các biến tiềm ẩn giữa hai hoặc nhiều nút, đặt ra câu hỏi về giả thuyết về sự đầy đủ nguyên nhân. Đây là trường hợp, ví dụ, với các vấn đề phân loại không được giám sát trong đó lớp không bao giờ được đo. Do đó, có thể đề xuất tương