4.3.1 贝叶斯网络推理
在构建了贝叶斯网络以后，我们可以利用贝叶斯网络结构以及节点之间的依赖关系进行贝叶斯网络推理，即通过联合概率分布方式，在给定的网络结构和已知证据节点取值的前提下，查询变量节点的后验概率P(Q｜e)。
贝叶斯网络推理的主要步骤为：
(1)确定各相邻节点之间的初始条件概率分布；
(2)证据节点取值；
(3)选择适当推理算法，对各节点的条件概率分布进行更新，最终得到推理结果。(https://www.daowen.com)
简而言之，典型的贝叶斯网络推理就是在已知证据的前提下计算某一事件发生的概率。
任意拓扑结构的贝叶斯网络推理也被证明是一个NP难题，因此现有的贝叶斯网络推理算法都是局限在特定的网络结构或某些限制条件以内进行。贝叶斯网络推理算法按照推理的精确性程度分为精确推理和近似推理两种算法，其中精确推理的推理结果更为准确，但计算量较大，适合规模较小的贝叶斯网络推理，如图4-3所示。典型的精确推理算法包括Polytree算法、Junction Tree算法以及Naïve Baysesian算法等。近似算法是在网络节点较多、规模较大的情况下，为了提高推理算法的效率和简单计算的工作量，牺牲了一部分的精确程度的算法，代表性的算法有随机模拟算法、Monte Carlo算法等。在遇到不同的贝叶斯网络的时候，可以根据不同应用领域自身的特点选择使用不同的推理算法，它们之间相互独立。
图4-3 贝叶斯网络推理算法
