V teórii pravdepodobnosti, štatistike a strojovom učení je grafický model (GM) graf, ktorý reprezentuje nezávislosti medzi náhodnými premennými pomocou grafu, v ktorom každý uzol predstavuje náhodnú premennú a chýbajúce hrany medzi uzlami predstavujú podmienené nezávislosti.
Dva bežné typy GM zodpovedajú grafom s usmernenými a neusmernenými hranami. Ak je sieťovou štruktúrou modelu usmernený acyklický graf (DAG), GM predstavuje faktorizáciu spoločnej pravdepodobnosti všetkých náhodných premenných. Presnejšie, ak sú udalosti
potom spoločná pravdepodobnosť
sa rovná súčinu podmienených pravdepodobností
Inými slovami, spoločné rozdelenie je súčinom podmienených rozdelení. Akékoľvek dva uzly, ktoré nie sú spojené šípkou, sú podmienečne nezávislé vzhľadom na hodnoty ich rodičov. Vo všeobecnosti sú ľubovoľné dve množiny uzlov podmienečne
nezávislé vzhľadom na tretiu množinu, ak v grafe platí kritérium nazývané d-separácia. Ukáže sa, že lokálne nezávislosti a globálne nezávislosti sú v Bayesovských sieťach ekvivalentné.
Tento typ grafického modelu je známy ako smerový grafický model, Bayesova sieť alebo sieť presvedčení. Klasické modely strojového učenia, ako sú skryté Markovove modely, neurónové siete a novšie modely, ako sú Markovove modely s premenlivou hodnotou, možno považovať za špeciálne prípady bayesovských sietí.
Grafické modely s neorientovanými hranami sa vo všeobecnosti nazývajú Markovove náhodné polia alebo Markovove siete.
Tretím typom grafického modelu je faktorový graf, čo je neorientovaný bipartitný graf spájajúci premenné a faktorové uzly. Každý faktor predstavuje rozdelenie pravdepodobnosti nad premennými, ku ktorým je pripojený. Na rozdiel od bayesovskej siete môže byť faktor pripojený k viac ako dvom uzlom.
Medzi aplikácie grafických modelov patrí rozpoznávanie reči, počítačové videnie, dekódovanie kódov s nízkou hustotou parity-check, modelovanie regulačných sietí génov, vyhľadávanie génov a diagnostika chorôb.
Dobrou referenciou na osvojenie si základov grafických modelov je Neapolitanova kniha Learning Bayesian networks (2004) a ďalšou je kniha Finna Vernera Jensena An Introduction to Bayesian Networks z roku 1996.
Pokročilejšia a štatisticky orientovaná kniha je od Cowella, Dawida, Lauritzena a Spiegelhaltera, Probabilistic networks and expert systems (1999).
Výpočtový prístup k uvažovaniu je uvedený v knihe Judea Pearla Probabilistic Reasoning in Intelligent Systems z roku 1988, kde sa vzťahy medzi grafmi a
pravdepodobnosťami boli formálne zavedené.