是什么贝叶斯网络和朴素贝叶斯分类器的区别？ 我注意到一个是刚刚在Matlab实现classify其他有一个全网的工具箱。
如果你能在你的答案哪一个更有可能提供更好的精度和解释，我将不胜感激（不是先决条件）。
Answer 1:
简短的回答，如果你只解决一个预测任务感兴趣的是：使用朴素贝叶斯。
贝叶斯网络（具有良好的维基百科页面）以一种非常普遍的方式特征之间的关系模型。 如果你知道这些关系，或者有足够的数据来得出他们的话，可适当使用贝叶斯网络。
朴素贝叶斯分类是描述特定类贝叶斯网络的一个简单的模型 - 所有的功能类条件独立。 正因为如此，也有一定的问题，朴素贝叶斯不能解决（下面例子）。 然而，它的简单性也使得它更容易申请的，它需要较少的数据在许多情况下取得好成绩。
例如：XOR
你的二进制特征的学习问题x1和x2和目标变量y = x1 XOR x2 。
在朴素贝叶斯分类器， x1和x2必须独立处理-所以你会像计算“的概率事情y = 1给出的是x1 = 1 ” -希望你可以看到，这是没有帮助的，因为x1 = 1没有按“T使y = 1的任何或多或少可能。 由于贝叶斯网络不承担独立性，它能够解决这样的问题。
Answer 2:
朴素贝叶斯只是限制/约束，你强制执行该类节点应该没有父母和对应的属性变量节点应该在它们之间没有棱角的约束一般贝叶斯网络的形式。 因此，没有什么防止被用于分类的通用的贝叶斯网络 - 预测的类是当（空调上）中的所有其它变量以通常的贝叶斯推理的方式被设置为预测实例值的具有最大概率。 一篇好的论文对这个读的是“贝叶斯网络分类，机器学习，29，131-163（1997）”。 特别感兴趣的是第3节。虽然朴素贝叶斯是一个更一般的贝叶斯网络的约束形式，本文还谈到为何朴素贝叶斯能中和分类任务确实强于大盘一般贝叶斯网络。
文章来源: What is the difference between a Bayesian network and a naive Bayes classifier?
