Algorithmus zur Erstellung der Wahrscheinlichkeitstabellen

Das Bayessche Netz erhält über einen Editor seine Wahrscheinlichkeiten und bedingten Wahrscheinlichkeiten. Dieser Vorgang des Eintragens kann auch als Lernen bezeichnet werden.
Lernen ist dabei ein semi-automatisches Verfahren, um ein Modell zu konstruieren oder zu modifizieren. Unter qualitativem Lernen versteht man die Konzeption und die Erstellung der Struktur eines Netzmodells. Im Gegensatz dazu steht das quantitative Lernen, das die Spezifikation der bedingten Wahrscheinlichkeiten betrifft.
Die Abschätzung dieser bedingten Wahrscheinlichkeiten (im voraus) ist immer subjektiv.
Die Experten weisen den Knoten des Netzes, die keine Vorgänger besitzen, sogenannte a priori Wahrscheinlichkeiten zu.
Für jeden weiteren Knoten wird eine bedingte Wahrscheinlichkeitstabelle erstellt, in der jeder Knoten mehrere verschiedene Zustände besitzen kann, und die Vorgängerknoten die Bedingungen dafür darstellen. Dies wird in einer Tabelle berücksichtigt, wie es in Tabelle 4.1 zu sehen ist. Die Abhängigkeiten werden dann durch die Werte der bedingten Wahrscheinlichkeiten repräsentiert. In der Bestimmung dieser Wahrscheinlichkeiten werden den Knoten für jede Kombination in der Tabelle Wahrscheinlichkeitswerte zugewiesen.
Wahrscheinlichkeiten, die die Experten aus ihrem Erfahrungsschatz bestimmen können, werden von ihnen eingetragen.
Für die restlichen besteht die Anforderung an das Werkzeug bzw. den Editor im Entwurf der Bayesschen Netze, für das Ausfüllen der Wahrscheinlichkeitstabellen einen Algorithmus zur Verfügung zu stellen. Dieser fragt die modellierenden Experten, welche Kombinationen und Abhängigkeiten im Expertenwissen auf keinen Fall zugelassen sind und trägt die bedingten Wahrscheinlichkeiten mit einer Sicherheit (Evidenz) von 0% automatisch ein.