1.简介
贝叶斯网络为一个有向无环图，每个顶点表示一个取值，顶点和顶点之间有弧存在，如果有一条弧从x到y，则表示x是y的双亲或直接前驱。一旦给定一个元素的所有双亲，每个变量独立于图中该结点的非后继，这里的独立是条件独立的。
一个简单的贝叶斯网络如图所示。
2. 贝叶斯网络的作用
（1）因果推理，已知一定的原因，使用贝叶斯网络的推理计算，求出在该原因下结果发生的概率。
（2）诊断推理，在已知的结果时，找出产生该结果的原因，一直发生了某些结果，根据贝叶斯网络的推理计算，得到造成该结果发生的原因和发生的概率。
（3）支持推理，对原因之间的相互影响进行分析，提供解释以支持所发生的现象。
3.朴素贝叶斯网络
朴素贝叶斯网络上有约束贝叶斯网络。朴素贝叶斯网络分类器的流程如下：
（1） 对每个样本数据描述为n维特征向量X={ x1, x2, …, xn}，每个分量对应一个属性的取值。
（2） 假定有m个类c1，c2，…，cm，给定一个未知的数据样本x，分类法将预测出x属于最有最高后验概率（条件x下）的类。也就是说，如果将x分给某个类，则x属于该类的概率一定大于其他类。
即P(Ci| x) > P( Cj|x), 1<=j<=m, j<>i
P(Ci | x) = (P( x| Ci) P(Ci))|P( x)
（3） 由于P(x)对于所有类为常数，只需算分子最大即可。如果类的先验概率未知，则通常假设这些类是等概率的。类的先验概率可以通过P(Ci)= si/s，其中si是类Ci中的训练样本数，而s是总的样本数。