बायेसियन क्लासिफायर सांख्यिकीय क्लासिफायरियर हैं। वे वर्ग सदस्यता संभावनाओं की भविष्यवाणी कर सकते हैं, जिसमें संभावना भी शामिल है कि दिया गया नमूना एक विशिष्ट वर्ग से संबंधित है। बायेसियन क्लासिफायर ने उच्च डेटाबेस होने पर भी बड़ी दक्षता और गति प्रदर्शित की है।
एक बार वर्गों को परिभाषित करने के बाद, सिस्टम को उन नियमों का अनुमान लगाना चाहिए जो वर्गीकरण को नियंत्रित करते हैं, इसलिए सिस्टम को प्रत्येक वर्ग 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 कर सकें, न कि नकारात्मक उदाहरण। एक नियम को सही कहा जाता है यदि उसके विवरण में सभी सकारात्मक उदाहरण शामिल हैं और किसी वर्ग के नकारात्मक उदाहरणों में से कोई भी शामिल नहीं है।
यह मान रहा है कि सभी विशेषताओं का योगदान स्वतंत्र है और प्रत्येक वर्गीकरण समस्या में समान रूप से योगदान देता है, एक सरल वर्गीकरण योजना जिसे नैवे बेयस वर्गीकरण कहा जाता है। प्रत्येक "स्वतंत्र" विशेषता के योगदान का विश्लेषण करके, एक सशर्त संभावना निर्धारित की जाती है। कई विशेषताओं के निर्माण की भविष्यवाणी पर पड़ने वाले प्रभाव को मिलाकर एक वर्गीकरण किया जाता है।
Naïve Bayes वर्गीकरण को Naïve कहा जाता है क्योंकि यह वर्ग सशर्त स्वतंत्रता मानता है। किसी दिए गए वर्ग पर एक विशेषता मान का प्रभाव अन्य विशेषताओं के मूल्यों से स्वतंत्र होता है। यह धारणा कम्प्यूटेशनल लागत को कम करने के लिए बनाई गई है और इसलिए इसे भोला माना जाता है।
एक विश्वास नेटवर्क के सीखने या प्रशिक्षण में, कई परिदृश्य संभव हैं। नेटवर्क टोपोलॉजी अग्रिम में दी जा सकती है या जानकारी से अनुमान लगाया जा सकता है। कुछ प्रशिक्षण टुपल्स में नेटवर्क चर देखने योग्य या निजी हो सकते हैं। छिपे हुए डेटा की विधि को लापता मान या अधूरी जानकारी के रूप में परिभाषित किया गया है।
अवलोकन योग्य चर दिए गए प्रशिक्षण रिकॉर्ड से नेटवर्क टोपोलॉजी को समझने के लिए कई एल्गोरिदम मौजूद हैं। मुद्दा असतत अनुकूलन है। मानव पेशेवरों को आम तौर पर प्रत्यक्ष सशर्त निर्भरता की अच्छी समझ होती है जो विश्लेषण के तहत डोमेन में प्रभाव डालती है, जो नेटवर्क डिजाइन में समर्थन करती है। विशेषज्ञों को नोड्स के लिए सशर्त संभावनाओं को परिभाषित करना चाहिए जो प्रत्यक्ष निर्भरता में प्रदर्शन करते हैं।
इन संभावनाओं का उपयोग शेष संभाव्यता मूल्यों का मूल्यांकन करने के लिए किया जा सकता है। यदि नेटवर्क टोपोलॉजी को स्वीकार किया जाता है और चर देखे जा सकते हैं, इसलिए नेटवर्क को प्रशिक्षित करना सरल है। इसमें सीपीटी प्रविष्टियों की गणना शामिल है, जैसा कि भोले बायेसियन वर्गीकरण में शामिल संभावनाओं की गणना करते समय किया जाता है।
जब नेटवर्क टोपोलॉजी दी जाती है और कई चर छिपे होते हैं, तो विश्वास नेटवर्क के प्रशिक्षण से चयन करने के कई तरीके हैं। यह ग्रेडिएंट डिसेंट की एक आशाजनक विधि को परिभाषित कर सकता है। उन लोगों के लिए जिनके पास उन्नत संख्यात्मक पृष्ठभूमि नहीं है, परिभाषा अपने कैलकुलस-पैक फ़ार्मुलों के साथ बल्कि भयावह हो सकती है।