「这是我参与11月更文挑战的第16天，活动详情查看：2021最后一次更文挑战」
简介
前面三章已经详细的介绍了贝叶斯的网络结构具有那些内容，并且详细的介绍了贝叶斯的结构学习和参数学习，让我们可以明确的知道，在进行贝叶斯的学习应从哪方面先入手，可以更快更简单的上手贝叶斯。今天主要是 介绍贝叶斯的分支，静态贝叶斯和动态贝叶斯。
静态贝叶斯
研究和应用BN时，不考虑时间因素对系统和数据的影响。
贝叶斯网络于静态贝叶斯网络存在一些细枝末节的区别：
- 假设前提：
贝叶斯网络： 各变量都是离散的；各特征有依赖（不确定的因果推理）关系（变量无关）；每一个节点在其前驱节点的值制定后，这个节点条件独立于其所有非直接前驱前辈节点；贝叶斯网络放宽了每个变量独立的假设。
静态贝叶斯：各特征彼此独立；静态贝叶斯中对于若干条件概率值不存在的问题，一般通过将所有的概率值加一来解决且对被解释变量的影响一致，不能进行变量筛选。
- 应该案例：
贝叶斯网络： 在信息不完备的情况下通过可以观察随机变量推断不可观察的随机变量解决文本分类时，相邻词的关系、近义词的关系。
静态贝叶斯： 分类
- 缺点：
贝叶斯网络： 不能对变量进行筛选，因为不能放宽对被解释变量影响一致的假设。
静态贝叶斯：彼此不独立的特征之间建立静态贝叶斯，反而加大了模型复杂性。
- 优点：
贝叶斯网络： 贝叶斯原理和图论相结合，建立起一种基于概率推理的数学模型，对于解决复杂的不确定性和关联性问题有很强的优势；对缺失数据不敏感，可以学习因果关系，加深对数据的理解。能将先验知识融入建模；避免了过度拟合问题，不需要保留数据进行检验。
静态贝叶斯： 简单，对于给出的待分类项，会选择条件概率最大的类型，这就时静态贝叶斯的思想基础。
动态贝叶斯
贝叶斯网络又称因果概率网，是图论与概率论结合的产物。它具有强大的知识推理、直观的表达能力、清晰的拓扑结构及方便的决策机制等优点，主要针对不确定性问题进行数据挖掘研究。
静态贝叶斯与时间序列相结合构成了动态贝叶斯（DBN）。DBN是具有处理时序数据能力的新随机模型，它对不确定性问题进行研究时充分考虑了时间因素的影响。较BN网络，DBN在处理时序非线性的不确定性问题中具有优势。但是，由于动态贝叶斯网络的复杂性，使得专家知识和BN结构学习算法并不适合于DBN。
寄语
本章只要是介绍了静态贝叶斯和动态贝叶斯与贝叶斯网络的区别，让我们可以更好的区分什么是静态贝叶斯什么是动态贝叶斯以及可以让我们自己去选择在我们的学习和工作中如何去应用这两种网络去解决实际的问题。 下一章节介绍，贝叶斯网络的一些应用前景。