یادگیری ماشین و تئوری بیژین
ابتدا کلمه نتیجه باید با class جایگزین شود. به جای اینکه بگوییم نتیجه Ci است، بهتر است بگوییم که کلاس Ci است.در اینجا لیستی وجود دارد که عوامل در نظریه تصمیم بیژین را به مفاهیم یادگیری ماشین مرتبط می کند:
هنگامی که شرایط زیر اعمال می شود، این احتمال وجود دارد که بردار ویژگی X به کلاس Ci نسبت داده شود:
هنگامی که یک مدل طبقه بندی آموزش داده می شود، فرکانس وقوع یک کلاس Ci را می داند و این اطلاعات به عنوان احتمال قبلی p(Ci) نشان داده می شود. بدون احتمال قبلی p(Ci)، مدل طبقه بندی بخشی از دانش آموخته شده خود را از دست می دهد.
با فرض اینکه احتمال قبلی p(Ci) تنها احتمال مورد استفاده است، مدل طبقه بندی ورودی X را بر اساس مشاهدات گذشته بدون حتی دیدن ورودی X جدید طبقه بندی می کند. به عبارت دیگر، حتی بدون تغذیه نمونه (بردار ویژگی) به مدل، مدل تصمیم می گیرد و آن را به یک کلاس اختصاص می دهد.
داده‌های آموزشی به مدل طبقه‌بندی کمک می‌کند تا هر ورودی X را به برچسب کلاسش Ci نگاشت کند. چنین اطلاعاتی به عنوان احتمال احتمال p(X|Ci) نشان داده می شود. بدون احتمال احتمال p(X|Ci)، مدل طبقه بندی نمی تواند بداند که آیا نمونه ورودی X با کلاس Ci مرتبط است یا خیر.
