一句话定义：贝叶斯网络（Bayesian Network）是用有向无环图（Directed Acyclic Graph, DAG）表示变量间条件独立关系的概率模型——节点是变量，箭头表示直接影响，每个节点配一张条件概率表（Conditional Probability Table, CPT）。
怎么拆：设三个变量——下雨（R）、洒水器开（S）、草地湿（W）。要完整描述三者，理论上有 8 种组合的概率。但常识告诉我们：洒水器开不开跟下不下雨基本无关；草地湿不湿，由这两件事决定。于是
P(R,S,W) = P(R)·P(S)·P(W|R,S)
指数级增长的参数被压成三张局部小表。图上“湿”只认“雨”和“洒”两个父节点，其余一概不管——这就是条件独立（conditional independence）：给定父节点，一个节点与其非后代节点独立。要判断两组变量是否独立，可用 d-分离（d-separation）：所有路径都被“挡住”就独立。
一个反直觉点：贝叶斯网络能表达“解释消除”（explaining away）。看到草地湿，你会怀疑洒水器开了；但若同时知道刚下过雨，洒水器开着的可能性反而下降——两个原因在竞争同一个结果。
和相邻概念的区别：
| 模型 | 图结构 | 关键假设 | 典型场景 |
|---|---|---|---|
| 贝叶斯网络 | 有向无环图 | 给定父节点，节点与非后代条件独立 | 故障诊断、风险推理、因果建模 |
| 朴素贝叶斯（Naive Bayes） | 类别指向所有特征 | 特征在类别下相互独立 | 文本分类基线 |
| 马尔可夫网络（Markov Network） | 无向图 | 用团上的势函数刻画依赖 | 图像分割、关系抽取 |
朴素贝叶斯是贝叶斯网络最“瘦”的特例；马尔可夫网络换用无向边，更适合没有明确方向的相互影响。
对从业者：变量语义清楚、因果方向讲得通、数据又喂不饱深度模型时，贝叶斯网络性价比很高——支持缺失值、可解释、能算概率推断（精确的变量消元，或近似的采样、信念传播）。但要记住：箭头本身不等于因果，做因果结论需要额外假设与实验设计支撑。具体算法与工具选型以官方文档为准。
对普通人：它把经验翻译成一张能算的图。医生问诊、工程师排障、风控识别欺诈，本质都在问同一句话：已知这些证据，哪个原因更可能？理解了条件独立，也就理解了为什么“知道原因之后，其他信息不再提供额外线索”。