贝叶斯网络是一种以概率论为基础的不确定性知识表达与推理工具，它通过有向无环图将多个随机变量之间的因果关系或条件依赖关系清晰地刻画出来。与普通的联合概率表相比，贝叶斯网络利用变量之间的条件独立性大幅减少了需要指定的参数数量，使得复杂系统的建模成为可能。
什么是贝叶斯网络的结构
贝叶斯网络的结构指的是由节点和有向边组成的有向无环图，其中每一个节点对应一个随机变量，每一条从节点A指向节点B的有向边表示A是B的直接原因或父节点，B在给定父节点取值的条件下独立于它的非父节点祖先。这种图形化结构实际上编码了变量集合上的一组条件独立性假设，是后续所有概率计算的基础。
举例来说，在医疗诊断网络中，节点可以包括感冒、发烧、咳嗽等变量。如果我们认为感冒直接导致发烧和咳嗽，而从感冒到发烧、感冒到咳嗽分别连边，那么发烧和咳嗽在已知感冒的条件下就相互独立的。结构的好坏直接决定了模型是否符合真实世界的依赖关系，也影响了参数规模和推断效率。
什么是贝叶斯网络的参数
在确定了网络结构之后，贝叶斯网络的参数就是每个节点在其父节点各种取值组合下的条件概率分布。对于离散变量，这通常表现为条件概率表；对于连续变量，则可能是线性回归系数或高斯分布的均值与方差。参数定量地描述了依赖关系的强弱与具体形态。
例如上述医疗网络中，发烧节点若父节点为感冒且感冒可取真或假，则需要给出P(发烧=真|感冒=真)与P(发烧=真|感冒=假)等数值。只有把结构和参数结合起来，才能得到完整的联合概率分布，从而回答诸如给定观察到咳嗽时感冒的概率这类查询。
如何求解贝叶斯网络的结构
结构求解即结构学习，目标是从有限数据中还原出最可信的有向无环图。常用方法包括基于评分搜索的策略，如用贝叶斯信息准则或贝叶斯狄利克雷等价打分，在候选图空间里寻找高分结构；以及基于约束的方法，如利用条件独立性检验逐步确定边是否存在。
实际操作时，常先准备清洗后的数据集，设定变量为离散或连续，选择评分函数与搜索算法，比如贪婪搜索或模拟退火，让程序在避免环的前提下增减边。由于组合空间巨大，往往还要结合领域知识人工调整，才能保证结构既简洁又可解释。
结构学习常见方法对比
| 方法类型 | 核心思想 | 优点 | 缺点 |
|---|---|---|---|
| 评分搜索 | 用评分函数量化图优劣并搜索 | 充分利用数据概率信息 | 易陷入局部最优 |
| 约束-based | 通过独立性检验建边 | 逻辑透明、可解释强 | 对检验误差敏感 |
| 混合法 | 先用约束缩空间再评分 | 兼顾效率与精度 | 实现较复杂 |
如何求解贝叶斯网络的参数
参数估计在结构已知时进行，主要分为最大似然估计和贝叶斯估计两类。最大似然估计直接统计训练数据中父节点与子节点组合的频次，计算经验条件概率；贝叶斯估计则引入先验分布，用先验平滑小样本下的估计，避免零概率问题。
以离散网络为例，若某节点父节点组合在数据中出现一百次，其中子节点取真六十次，则最大似然下条件概率为零点六。若采用贝叶斯估计并设对称先验超参数为二，则估计值变为六十二除以一百零四，约零点五九六。这样在样本稀疏时模型更稳健。
结构与参数求解的整体流程
完整构建一个可用的贝叶斯网络，通常先明确问题和变量，再收集合适数据；随后做结构学习得到图，并进行参数估计填充概率表；最后用推断算法如变量消除或置信传播验证模型效果。若准确率不足，可回头调整结构或采集更多数据。
理解结构与参数这两块并分别攻克，是掌握贝叶斯网络的关键。当你能独立从数据里抽出依赖图，再算清每个条件概率，就能把它用在风险分析、故障诊断或智能推荐等真实场景中，发挥概率模型处理不确定性的优势。