Bayesian Network拓扑图

贝叶斯网络是继神经网络之后在人工智能领域越来越受用户青睐的模型，他同神经网络不同之处之一是其网络结构更加透明，用户可以通过建立贝叶斯网络模型很好的了解模型内部各变量分布情形，变量特征更直观。贝叶斯网络在data mining 和machine learning里头主要表现为用户可以通过贝叶斯网络模型做classification和inference。谈到贝叶斯网络图形，一般都会提及有向无环的DAG网络拓扑结构和每个节点的CPT。

目前比较著名的贝叶斯网络工具有：

1）Microsoft的MSBNx( http://research.microsoft.com/adapt/MSBNx/)。无庸置疑微软在推广贝叶斯网络作出了重要的贡献，这款工具特点鲜明，简单易用，而且反应速度不错，当然可能跟其平台也有一定关系。其实微软在office及Windows OS后台广泛应用了贝叶斯网络模型来捕捉用户的操作事件。

2）另外一款非常著名的工具是BayesiaLab（ http://www.bayesia.com/GB/produits/bLab/BLabTour/BLabTour.php）这是一款纯粹意义上的商业工具，功能强大，几乎满足了贝叶斯网络模型的所有要求，更难得的是其界面十分精美。

3）当然不得不提一款开源的贝叶斯网络工具BNJ (Bayesian Network for Java) ，这是一款从算法到最后图形界面实现完全用采用Java的工具包，笔者没研究过最新的wika，不知道是否集成了bayesian network，但完全有理由相信，BNJ是一款非常优秀的开源bayesian network工具包。

 

当然还有其他很多的贝叶斯网络工具，笔者不一一列出，例如著名数据挖掘软件厂商SPSS将会在Clementine 12就将会推出一个1.0版本的贝叶斯网络挖掘工具。

 

 纵观各种贝叶斯网络工具，一个共同之处就是通过DAG来展现模型内部结构，同事辅以各个的结点的CPT，来描述贝叶斯网络模型，当然一些复杂贝叶斯网络模型经过learning之后可能还会显示variable importance和model quality.尤其是ModelQuality将会在PMML3.2之后成为标准规范中的一个名称。

 

另外贝叶斯网络一个很好的特性就是其强大的交互性，用户可以通过增删一些结点或者更改CPT以及Link属性来从新定义网络结构，从而得到新的inference结果。关于inference的算法，这方面论文较多而且有很多补充算法，最常用的莫过于Junction tree算法了，前面提到的MSBNx和BayesiaLab都完全和部分采用这种算法。