朴素贝叶斯(Na(I)ve Bayes,NB)是一种经典的机器学习算法,它具有训练时间短,模型简单,泛化正确率高等优点,并且在实际生活中得到了广泛的应用。但它也有先天的不足:不能很好的拟合训练数据局部分布特征,生成参数学习算法不太适合分类任务等。　　 局部加权朴素贝叶斯(Locally Weighted Na(I)ve Bayes,LWNB)是朴素贝叶斯的一种较好的改进,判别频率估计(Discriminative Frequency Estimate,DFE)可以极大的提高朴素贝叶斯的泛化正确率。受LWNB和DFE启发,提出收缩空间(Gradually Contracting Spaces,GCS)判别学习朴素贝叶斯参数算法:对于一个待分类实例,寻找包含全体训练实例的全局空间的一系列逐渐缩小的子空间,这些子空间具有下列两种性质:1、它们都包含待分类实例;2、一个空间一定包含在任何一个比它大的空间中。在逐渐缩小的空间上使用修改的DFE算法渐进的学习朴素贝叶斯NB的参数,使用NB分类给定的待分类实例。与LWNB的根本不同是:GCS使用全体训练实例学习朴素贝叶斯并且GCS可以实现为非懒惰版本。本文实现了GCS的决策树版本(Decision tree version of GCS,GCS-T),GCS-T是非懒惰算法,它使用决策树寻找子空间。实验结果显示,与C4.5以及贝叶斯分类算法Na(I)ve Bayes,BaysianNet,NaYve Bayes Tree(NFBTree),LWNB,Hidden Na(I)ve Bayes(HNB)(无论这些算法使用判别或生成方法学习参数)相比,GCS-T具有较高的泛化正确率。并且GCS-T的分类速度明显快于LWNB。