เปรียบเทียบวิธี

	กฎความสัมพันธ์แบบเบย์ (Bayesian Association Rules)	Bayesian Naive Bayes
สาขาวิชา	การเรียนรู้ของเครื่อง	การเรียนรู้ของเครื่อง
ตระกูล	Machine learning	Machine learning
ปีกำเนิด	1994–1995	1960s (base); Bayesian parameter treatment formalized 2000s
ผู้ริเริ่ม	Heckerman, D. et al.; Agrawal, R. & Srikant, R.	Naive Bayes: Maron & Kuhns (1960); full Bayesian treatment formalized by Murphy (2012) and Bishop (2006)
ประเภท	Probabilistic rule mining	Probabilistic generative classifier
แหล่งต้นตำรับ	Heckerman, D., Geiger, D., & Chickering, D. M. (1995). Learning Bayesian networks: The combination of knowledge and statistical data. Machine Learning, 20(3), 197–243.	Murphy, K. P. (2012). Machine Learning: A Probabilistic Perspective (Ch. 3, 4). MIT Press. ISBN: 978-0-262-01802-9
ชื่อเรียกอื่น	Bayesian rule learning, probabilistic association rules, Bayesian itemset mining, BAR	Bayesian NB, Naive Bayes with Bayesian parameter estimation, Dirichlet-Multinomial Naive Bayes, BNB
ที่เกี่ยวข้อง	6	4
สรุป	Bayesian Association Rules extend classical association rule mining by placing a prior probability distribution over rules and scoring them by their posterior probability given the data. Rather than thresholding on raw support and confidence counts, this Bayesian framework naturally penalises complexity, corrects for multiple comparisons, and produces calibrated probabilistic rule strengths across transactional or categorical datasets.	Bayesian Naive Bayes applies a fully Bayesian treatment to the parameters of the classic Naive Bayes classifier: instead of estimating class-conditional distributions by maximum likelihood, it places conjugate priors (typically Dirichlet for categorical data or Gaussian-Gamma for continuous data) over the parameters and integrates them out, producing predictive posterior distributions that naturally quantify uncertainty and avoid overfitting on small datasets.