Bayes -Netze sind eine Art von gerichteten azyklischen Graphen mit Knoten, die Variablen darstellen . Nach Judäa Perle , Professor für Computerwissenschaften an der UCLA , sind die Stärke des Diagramms Verbindungen durch bedingte Wahrscheinlichkeit geregelt. Bayes- Netze stellen die Wissensbasis eines System künstlicher Intelligenz , von einem Roboter auf einem Auto - Fertigungslinie zu einem komplexen Abwehrsystem. Gerichteten azyklischen Graphen

Laut Wolfram Mathworld , ein angesehener Online-Repository von Informationen über Mathematik, ein gerichteter azyklischer Graph --- auch als azyklische Digraphen --- ist ein gerichteter Graph Zyklen fehlt . In seiner einfachsten Form sieht ein gerichteter Graph acylic wie ein Punkt - zu-Punkt- Bild , mit Punkten , die " Knoten " (Information Stück) und Linien zwischen den Knoten, die die Richtung der Informationsflüsse. Pfeile auf den Linien gesetzt werden, um den Datenfluss zu zeigen.
Konsistenz und Vollständigkeit

Laut Professor Perle , ist es wichtig, nicht zu überlasten die Grafik mit unnötigen Daten, da von der Möglichkeit zu viele Schlussfolgerungen aus zu ziehen . Es ist auch wichtig , dass der Graph so vollständig wie möglich sein . Zum Beispiel kann ein Diagramm gezeichnet, um eine ärztliche Entscheidungsfindung darstellen. Wenn ein Patient kommt in der Arztpraxis mit Kopfschmerzen , wird der Arzt eine Diagnose auf der Grundlage , wie die Patienten Geschenke zu machen , sowie er kann eine Entscheidung über die weitere Tests zu machen. Die Grafik muss zeigen, die Entscheidung zu testen oder nicht testen , mit klaren Anweisungen für diese Entscheidungen . Darüber hinaus muss der Graph umfassen alle Möglichkeiten für Kopfschmerzen Ergebnisse ( einschließlich Migräne , Hirntumor, Sinusitis und eine ganze Reihe von anderen Krankheiten). Ohne jede Möglichkeit , konnte der Zustand des Patienten nicht diagnostiziert .
Modeling menschliche Entscheidungsfindung

Studien haben gezeigt, dass die Modellierung menschlicher Entscheidungen mit Bayes- Netze ist nicht so einfach, wie es zunächst scheint. Professor Perle besagt, dass , weil die menschliche Vernunft ist subjektiv und unvollständig , so scheint es sinnvoll, mit der Wahrscheinlichkeitstheorie zu starten , um eine Grafik zu entwerfen. Allerdings bedeutet dies grundlegende Modellierung nicht die komplexeren Stücke der menschlichen Vernunft , wenn wir versuchen, eine Wahrscheinlichkeit Tabelle für einige komplexe Entscheidungen von Menschen gemacht konstruieren waren , es würde ein Computer eine außerordentliche Menge an Zeit, um was es wolle berechnen nehmen eine Person, ein Bruchteil einer Sekunde , um zu entscheiden .
Vorteile

Laut Microsoft sind Bayes- Netze für die Datenmodellierung nützlich, weil sie Entscheidung umgehen kann machen , auch wenn einige Variablen fehlen. Bayes- Netze darstellen können kausale Beziehung , beinhalten Vorkenntnisse und vorherzusagen mögliche Ergebnisse mit Leichtigkeit.
Anwendungen

Jir Vomlel des Instituts für Information Theory and Automation Akademie der Wissenschaften der Tschechischen Republik , dass Bayes- Netze verwendet werden, um eine Vielzahl von Entscheidungsprozessen in der realen Welt , einschließlich der medizinischen Diagnostik , Entscheidungsfindung maximiert den erwarteten Nutzen , adaptives Testen und Entscheidungs- theoretische Fehlersuche.
darzustellen