朴素贝叶斯假设条件独立， ，而更一般的贝叶斯网络（有时称为贝叶斯信念网络）将允许用户指定哪些属性实际上是条件独立的。Tan，Kumar，Steinbach 的数据挖掘简介教科书对此进行了很好的讨论。他们也有讲师幻灯片在这里 应该给出这个假设的一个例子，以及为什么它可能是有缺陷的。$P(X|Y,Z)=P(X|Z)$

“非天真的”贝叶斯分类如何工作？

每条记录分类为：

1. 查找具有完全相同特征的所有记录
2. 确定这些记录中最常见的类别
3. 将最常见的类分配给记录

问题：如果有很多特征，就不太可能找到完全匹配相同特征的记录。

解决方案：朴素贝叶斯分类器因此计算每个特征在一个类中独立出现的概率。

对于贝叶斯网络作为分类器，特征的选择基于一些评分函数，如贝叶斯评分函数和最小描述长度（如果有足够的训练数据，两者在理论上是等价的）。评分函数主要限制使用数据的结构（连接和方向）和参数（可能性）。学习完结构后，类仅由马尔可夫毯中的节点（其父母、孩子和孩子的父母）确定，并且所有给定马尔可夫毯的变量都被丢弃。

对于现在比较知名的朴素贝叶斯网络，所有的特征都被认为是属性（所有的属性都是类变量马尔可夫毯的一部分）并且在给定类的情况下是独立的。

贝叶斯网络和朴素贝叶斯网络各有优缺点，我们可以看到性能比较（主要来自 UCI 存储库的 25 个数据集），如下图所示：

我们可以看到，在这些数据集上，对角线下方的一些点表示朴素贝叶斯的性能优于贝叶斯网络，而对角线上方的一些点则在其他一些数据集上表示相反。

贝叶斯网络比朴素贝叶斯更复杂，但它们的表现几乎一样好，原因是贝叶斯网络比朴素贝叶斯表现差的所有数据集都有超过 15 个属性。那是在结构学习期间，一些关键属性被丢弃。

我们可以将两者结合起来，并在朴素贝叶斯的特征之间添加一些联系，它就变成了树增强朴素贝叶斯或 k 依赖贝叶斯分类器。

参考文献：
1.贝叶斯网络分类器