为了降低贝叶斯公式中估计后验概率的困难，朴素贝叶斯分类器采用了属性条件独立性假设，但在现实任务中这个假设往往很难成立。于是，人们尝试对属性条件独立性假设进行一定程度的放松，由此产生了一类称为“半朴素贝叶斯分类器”的学习方法。
半朴素分类器的基本思想是适当考虑一部分属性间的相互依赖信息，从而既不需进行完全联合概率计算，又不至于彻底忽略了比较强的属性依赖关系。“独依赖估计”（One-Dependent Estimator,ODE）是半朴素贝叶斯分类器常用的一种策略。即假设每个属性在类别之外最多仅依赖于一个其它属性，即
其中，为属性xi所依赖的属性，称为xi的父属性。此时，若每个属性xi，若其父属性已知，则可采用类似的式子来估计.
这样问题就转化为如何确定每个属性的父属性，不同的做法会产生不同的独依赖分类器。
SPODE算法是最直接的做法，就是假设所有属性都依赖于同一个属性，称为“超父”，然后通过交叉验证等模型选择方法来确定超父属性。
TAN算法则是在最大带权生成树算法的基础上，通过以下步骤约简属性间依赖关系。
（1）计算任意两个属性之间的条件互信息
(2)以属性为节点构建完全图，任意两个结点之间边的权重设为
(3)构建此完全图的最大带权生成树，挑选根变量，将边置为有向
（4）加入类别结点y，增加从y到每个属性的有向边。
条件互信息刻画了属性xi和xj在已知类别情况下的相关性。因此，通过最大生成树算法，TAN实际上仅保留了强相关属性之间的依赖性。
AODE算法是一种基于集成学习机制、更为强大的独依赖分类器。它尝试将每个属性作为超父来构建SPODE,然后将那些具有足够训练数据支撑的SPODE集成起来作为最终结果，即
是在第i个属性上取值为的样本集合，为阈值常数。显然AODE需估计和,有
Ni是第i个属性可能的取值数。是类别为c，在第i个属性上取值为xi的样本集合。是类别为c且在第i和第j个属性上取值分别为xi和xj的样本集合。
