The Bayesan Network node enables you to build a probability model by combining observed and recorded evidence with "common-on sense" real-world knowledge to establish the likely of occurrences by using zdánlivě unlinked attributes. Uzel se zaměřuje na stromový augmentovaný Naived Bayes (TAN) a Markov Blanket sítě, které se primárně používají pro klasifikaci.

Bayesovské sítě se používají pro tvorbu předpovědí v mnoha různých situacích. Některé příklady jsou:

• Výběr možností půjček s nízkým výchozím rizikem.
• Odhadování, kdy vybavení bude potřebovat servis, díly nebo náhradu, založené na vstupu senzoru a existujících záznamech.
• Řešení problémů zákazníků prostřednictvím nástrojů pro odstraňování problémů online.
• Diagnostika a odstraňování problémů v mobilních telefonních sítích v reálném čase.
• Posoudit potenciální rizika a odměny projektů v oblasti výzkumu a vývoje s cílem soustředit zdroje na nejlepší příležitosti.

Bayesovská síť je grafický model, který zobrazuje proměnné (často označované jako uzly) v datové sadě a pravděpodobnostní, nebo podmíněné, nezávisle mezi sebou. Příčinné vztahy mezi uzly mohou být reprezentovány Bayesovskou sítí; odkazy v síti (známé také jako arcs) však nemusí nutně představovat přímou příčinu a účinek. Například Bayesovská síť může být použita k výpočtu pravděpodobnosti, že pacient má určité onemocnění, vzhledem k přítomnosti nebo nepřítomnosti určitých příznaků a jiných relevantních údajů, pokud pravděpodobnostní nezávislosti mezi příznaky a onemocnění, jak je zobrazeno na grafu držet pravdivé. Sítě jsou velmi robustní tam, kde chybí informace a co nejlépe předpovídá použití veškerých informací.

A common, basic, example of a Bayesan network was created by Lauritzen and Spiegelhalter (1988). Je často označován jako "asijský" model a je zjednodušenou verzí sítě, která může být použita k diagnostice nových pacientů lékaře; směr vazby zhruba odpovídající příčinám příčinné souvislosti. Každý uzel představuje fazetu, která může souviset se stavem pacienta; například "Kouření" označuje, že se jedná o potvrzený kuřák a "VisitAsia", pokud nedávno navštívily Asii. Promorové vztahy se zobrazují spojeními mezi jednotlivými uzly; například ke kouření zvyšuje pravděpodobnost vzniku rakoviny plic a rakovina plic, zatímco věk se zdá být spojován pouze s možností vzniku rakoviny plic. Stejným způsobem, abnormality na x-ray plic může být způsobena buď tuberkulóza nebo rakovina plic, zatímco šance pacienta trpí dušnost (dyspnoe) se zvyšuje, pokud také trpí buď bronchitidy nebo rakovina plic.

Existuje několik důvodů, proč můžete rozhodnout o použití Bayesovské sítě:

• Pomáhá vám to se dozvědět o příčinných vztazích. Z toho vám umožňuje porozumět oblasti problému a předpovídat následky jakéhokoli zásahu.
• Tato síť poskytuje účinný přístup k vyhnutí se přílišnému vybavování dat.
• Jasnou vizualizaci vztahů, kterých se to týká, lze snadno pozorovat.

Požadavky. Cílová pole musí být kategorická a mohou mít úroveň měření Nominální, Ordinálnínebo Příznak. Vstupy mohou být pole libovolného typu. Nepřetržitá (numerická oblast) vstupní pole budou automaticky sdružena; pokud je však distribuce posunut, můžete dosáhnout lepších výsledků ručním odvoláním do polí pomocí Ukotvení uzlu před Bayesovským uzlem sítě. Například použijte Optimal Breinning, kde je pole Supervizor stejné jako pole Cíl Bayesského síťového uzlu.

Příklad. Analytik pro banku chce být schopen předpovídat zákazníky nebo potenciální zákazníky, kteří budou pravděpodobně splácet své splátky úvěru. Bayesiský síťový model můžete použít k identifikaci charakteristik zákazníků s největší pravděpodobností výchozí nastavení a sestavit několik různých typů modelů, které umožní určit, která z nich je nejlepší při předvídání potenciálních výchozích hodnot.

Příklad. Telekomunikační operátor chce snížit počet zákazníků, kteří opouštějí podnik (známý jako "churn"), a každý měsíc aktualizovat model za použití údajů z předchozího měsíce. Bayesiský síťový model můžete použít k identifikaci charakteristik zákazníků s největší pravděpodobností ke sturání a pokračovat v školení modelu každý měsíc s novými daty.