बेयसियन वर्गीकरणकर्ता सांख्यिकीय वर्गीकरणकर्ता हैं। वे क्लास सदस्यता संभावनाओं की भविष्यवाणी कर सकते हैं, जिसमें यह संभावना शामिल है कि दिया गया नमूना किसी विशिष्ट क्लास से संबंधित है। बेयसियन वर्गीकरणकर्ताओं ने उच्च डेटाबेस होने पर भी बड़ी दक्षता और गति दिखाई है।
एक बार कक्षाएं परिभाषित हो जाने के बाद, सिस्टम को उन नियमों का अनुमान लगाना चाहिए जो वर्गीकरण को नियंत्रित करते हैं, इसलिए सिस्टम को प्रत्येक क्लास का विवरण खोजने में सक्षम होना चाहिए। विवरण केवल प्रशिक्षण सेट की भविष्यवाणी विशेषताओं को संदर्भित करना चाहिए ताकि केवल सकारात्मक उदाहरण विवरण को संतुष्ट करें, नकारात्मक उदाहरण नहीं। एक नियम को सही कहा जाता है यदि उसका विवरण सभी सकारात्मक उदाहरणों को कवर करता है और किसी क्लास का कोई भी नकारात्मक उदाहरण कवर नहीं किया जाता है।
यह मानते हुए कि सभी विशेषताओं का योगदान स्वतंत्र है और प्रत्येक वर्गीकरण समस्या में समान रूप से योगदान देता है, एक सरल वर्गीकरण योजना जिसे Naïve Bayes वर्गीकरण कहा जाता है। प्रत्येक "स्वतंत्र" विशेषता के योगदान का विश्लेषण करके, एक सशर्त संभावना निर्धारित की जाती है। भविष्यवाणी की जाने वाली भविष्यवाणी पर कई विशेषताओं के प्रभाव को जोड़कर एक वर्गीकरण किया जाता है।
Naïve Bayes वर्गीकरण को Naïve इसलिए कहा जाता है क्योंकि यह क्लास सशर्त स्वतंत्रता मानता है। किसी दिए गए क्लास पर एक विशेषता मूल्य का प्रभाव अन्य विशेषताओं के मूल्यों से स्वतंत्र होता है। यह मान कम्प्यूटेशनल लागत को कम करने के लिए किया जाता है और इसलिए इसे Naïve माना जाता है।
एक विश्वास नेटवर्क के सीखने या प्रशिक्षण में, कई परिदृश्य संभव हैं। नेटवर्क टोपोलॉजी को अग्रिम में दिया जा सकता है या जानकारी से अनुमानित किया जा सकता है। नेटवर्क चर कुछ प्रशिक्षण टुपल्स में अवलोकनीय या निजी हो सकते हैं। छिपे हुए डेटा की विधि को लापता मूल्यों या अधूरी जानकारी के रूप में परिभाषित किया जाता है।
अवलोकनीय चर दिए गए प्रशिक्षण रिकॉर्ड से नेटवर्क टोपोलॉजी को समझने के लिए कई एल्गोरिदम मौजूद हैं। यह मुद्दा असतत अनुकूलन है। मानव विशेषज्ञों को आमतौर पर विश्लेषण के तहत डोमेन में प्रभाव डालने वाली प्रत्यक्ष सशर्त निर्भरताओं की अच्छी समझ होती है, जो नेटवर्क डिज़ाइन में सहायता करती है। विशेषज्ञों को उन नोड्स के लिए सशर्त संभावनाओं को परिभाषित करना चाहिए जो प्रत्यक्ष निर्भरताओं में कार्य करते हैं।
इन संभावनाओं का उपयोग शेष संभावना मूल्यों का मूल्यांकन करने के लिए किया जा सकता है। यदि नेटवर्क टोपोलॉजी स्वीकार की जाती है और चर अवलोकनीय हैं, तो नेटवर्क का प्रशिक्षण सरल है। इसमें CPT प्रविष्टियों की गणना शामिल है, जैसा कि भोले बेयसियन वर्गीकरण में शामिल संभावनाओं की गणना करते समय समान रूप से किया जाता है।
जब नेटवर्क टोपोलॉजी दी जाती है और कई चर छिपे होते हैं, तो विश्वास नेटवर्क के प्रशिक्षण के लिए चयन करने के कई तरीके हैं। ग्रेडिएंट डिसेंट की एक आशाजनक विधि को परिभाषित कर सकते हैं। उन्नत संख्यात्मक पृष्ठभूमि के बिना, परिभाषा इसके कैलकुलस-भरे सूत्रों के साथ काफी डरावनी लग सकती है।
