贝叶斯网络是什么？用有向无环图表示变量间的因果与依赖

贝叶斯网络（Bayesian Network），也叫信念网络或有向无环图模型，是一种用图来表示多个随机变量之间概率依赖关系的模型。它把复杂的不确定性问题，拆解成一张由变量和箭头组成的图，以及每个变量的局部概率，从而能够高效地表示和推理。它是概率图模型中最重要的一类。

它的结构

贝叶斯网络由两部分组成。第一部分是一张有向无环图：每个节点代表一个随机变量，比如“是否吸烟”“是否患肺癌”“是否咳嗽”“X 光是否异常”；节点之间的箭头表示直接的依赖关系，通常可以理解为影响或因果的方向，比如“吸烟”指向“肺癌”，“肺癌”指向“咳嗽”和“X 光异常”。“无环”的意思是沿着箭头走，永远不会回到出发点。第二部分是每个节点的条件概率表：它给出在这个节点的父节点取各种值时，这个节点取各种值的概率。比如“在吸烟的情况下患肺癌的概率是多少，在不吸烟的情况下又是多少”。没有父节点的节点，只需要给出它自身的概率。

为什么它能简化问题

如果有 n 个只取是或否的变量，完整地描述它们的联合概率分布需要将近 2 的 n 次方个数值，变量一多就无法处理。贝叶斯网络利用了条件独立性：每个变量在给定它的父节点之后，与它的其他非后代节点相互独立。于是，整个联合分布可以分解为每个节点在给定父节点时的条件概率的乘积。如果每个节点的父节点都不多，需要的参数数量就大大减少了。而且每个条件概率都是局部的、具体的，往往可以请领域专家直接估计，也可以从数据中学习。

能用它做什么

贝叶斯网络最主要的用途是推理：在已知一些变量的取值后，计算其他变量的概率。它可以进行从原因到结果的预测推理，比如已知一个人吸烟，推测他咳嗽的概率；也可以进行从结果到原因的诊断推理，比如已知一个人咳嗽并且 X 光异常，推测他患肺癌的概率有多大。它还能处理“解释消除”的现象：如果草地湿了，可能是因为下雨，也可能是因为洒水器开了；一旦知道昨晚下了雨，洒水器开过的可能性就会降低。推理的方法有精确的变量消元、联结树算法，以及近似的采样和变分推断等。

学习贝叶斯网络

学习包括两个方面：参数学习，在网络结构已知时，从数据中估计各个条件概率表；结构学习，从数据中找出变量之间应该有哪些箭头。结构学习比较困难，常用的方法有基于评分的搜索，比如用贝叶斯信息准则等评分函数评价候选结构，以及基于条件独立性检验的方法。

历史与应用

贝叶斯网络由朱迪亚·珀尔等人在 20 世纪 80 年代系统地发展起来，珀尔 1988 年出版的《智能系统中的概率推理》影响深远。他后来在此基础上进一步建立了因果推断的理论，因为在人工智能的概率与因果推理方面的贡献获得了 2011 年的图灵奖。贝叶斯网络被广泛用于医疗诊断、设备故障诊断、风险评估、垃圾邮件过滤、生物信息学中的基因调控网络分析等领域，它的优点是能够融合专家知识和数据、结构直观可解释、能自然地处理不确定性和缺失数据。