贝叶斯方法经常使用的领域之一是需要预测系统的可解释性。你不想给医生一个神经网络并说它是 95% 准确的。您宁愿解释您的方法所做的假设，以及该方法使用的决策过程。

类似的领域是当您拥有强大的先验领域知识并希望在系统中使用它时。

贝叶斯网络和神经网络并不相互排斥。事实上，贝叶斯网络只是“有向图模型”的另一种说法。它们在设计目标函数神经网络时非常有用。Yann Lecun 在这里指出了这一点：https: //plus.google.com/+YannLeCunPhD/posts/gWE7Jca3Zoq。

一个例子。

变分自动编码器和导数是形式的有向图模型

有时，您与预测结果一样关心改变结果。

给定足够训练数据的神经网络往往会更好地预测结果，但是一旦您可以预测结果，您可能希望预测输入特征的更改对结果的影响。

现实生活中的一个例子，知道某人可能会心脏病发作是有用的，但能够告诉这个人如果他们停止做 XX，风险会降低 30%，这会带来更大的好处。

同样对于客户保留，了解客户为什么停止与您一起购物，与预测可能停止与您一起购物的客户一样重要。

此外，预测不太好但导致采取更多行动的更简单的贝叶斯网络通常可能比更“正确”的贝叶斯网络更好。

贝叶斯网络相对于神经网络的最大优势在于它们可以用于因果推理。该分支对统计和机器学习至关重要，Judea Pearl 因这项研究获得了图灵奖。

已经有了很好的答案。

我能想到并且正在广泛工作的一个领域是客户分析领域。

我必须了解和预测客户的举动和动机，以便通知和警告客户支持、营销和增长团队。

所以在这里，神经网络在客户流失预测等方面做得非常好。但是，我发现并更喜欢贝叶斯网络风格，以下是喜欢它的原因：

1. 客户总是有一个模式。他们总是有理由采取行动。这个原因可能是我的团队为他们做的事情，或者他们自己学会了。所以，一切都有先验，事实上，原因非常重要，因为它推动了客户做出的大部分决定。
2. 客户和增长团队在营销/销售漏斗中的一举一动都是因果关系。因此，在将潜在潜在客户转化为客户时，先验知识至关重要。

因此，在涉及客户分析时，先验的概念非常重要，这使得贝叶斯网络的概念对该领域非常重要。

建议学习：

神经网络的贝叶斯方法

商业分析中的贝叶斯网络