Artificial intelligence 贝叶斯网如何简化事情？

我最近遇到了bayes networks。我读到它们有助于减少n个随机变量的联合概率分布的维数（让它们是布尔值）

贝叶斯网络有助于简化公式，因为它包含了关于哪些变量实际上相互依赖的信息。这就是我得到的

我不明白的是，它是如何减少计算概率所需的计算量的？ 基本上，我不理解联合分布中维度的概念。

好的，我找到了答案。 它实际上并没有减少计算量。它只是降低了空间复杂度。 这是维基百科的一个存根：

如果联合分布中的依赖关系是稀疏的，那么使用贝叶斯网络可以节省大量内存。例如，将10个二值变量的条件概率存储为一个表的简单方法需要2^{10}=1024个值的存储空间。如果无变量的局部分布依赖于3个以上的父变量，则贝叶斯网络表示只需存储最多10*2^3=80个值。

---

贝叶斯网络的一个优点是，与完全联合分布相比，人们直观上更容易理解（一组稀疏的）直接依赖关系和局部分布。

它还提供了降低计算成本的先决条件：它告诉人们如何构造问题（因式分解）。朴素贝叶斯网络通常具有降维性，因为它在特征集中假设独立性。它基于条件独立性进行简化：

Prob（雨|风，交通）=Prob（雨|风）

，因为雨和交通彼此无关）。

In General
P(X1,X2,X3,.....Xn) = P(X1)*P(X2|X1)*P(X3|X1,X2)*.......*P(Xn|X1,X2,X3,.....Xn-1)