贝叶斯网络 (BN) 是生成模型。假设您有一组输入和输出。BN 允许您学习联合分布，而不是说逻辑回归或支持向量机，后者对条件分布进行建模。$X$$Y$$P(X,Y)$$P(Y|X)$

学习数据的联合概率分布（生成模型）比学习条件概率（判别模型）更难。但是，前者提供了一个更通用的模型，您可以在其中运行或等查询。使用判别模型，您的唯一目标是学习。$P(X_1|Y)$$P(X_1|X_2=A, X_3=B)$$P(Y|X)$

BN 使用 DAG 来规定联合分布。因此它们是图形模型。

好处：

1. 当您有很多缺失的数据时，例如在医学中，BN 可能非常有效，因为对联合分布进行建模（即您对数据如何生成的断言）减少了您对拥有完全观察的数据集的依赖性。

2. 当您想以视觉透明的方式对域进行建模，并且还旨在捕获关系时，BN 可能非常强大。请注意，BN 中的因果关系假设是有争议的。$\text{cause} \to \text{effect}$

3. 学习联合分布是一项艰巨的任务，但为离散变量建模（通过计算条件概率表，即 CPT）比尝试对连续变量进行相同的建模要容易得多。因此，BN 实际上更常见于离散变量。

4. BN 不仅允许观察推断（所有机器学习模型都允许），而且还允许因果干预。这是 BN 的一个通常被忽视和低估的优势，并且与反事实推理有关。

以我的经验，当有高维分类数据时，贝叶斯网络工作得很好。它们提供可解释的模型，这（有时）有助于理解不同变量如何相互作用。