半朴素贝叶斯（semi-naive Bayesian learning），理学-计算机科学技术-人工智能-机器学习-贝叶斯学习，一种监督学习的方法，它对“朴素贝叶斯”中属性条件独立性假设进行一定程度的放松，从而能够提高分类和条件概率估计的准确性。在朴素贝叶斯中，为了使样本的类条件概率能够方便地从有限的训练样本估计获得，采用了“属性条件独立性假设”（attribute conditional independence assumption），每个属性独立地对分类结果发生影响。然而这在很多现实场景中是不成立的，属性之间有可能存在相关性。半朴素贝叶斯则是在朴素贝叶斯的基础上，放松了对各项属性的条件独立性假设，现有的半朴素贝叶斯方法大致可以分为五类实现方式，包括：①在学习时为属性添加显式的依赖关系。②根据属性间的关系进行删减，最终在属性的一个子集上应用朴素贝叶斯。③选取训练集的一个子集进行朴素贝叶斯学习，在这个子集上属性条件独立性假设更有可能被满足。④调整朴素贝叶斯的输出概率而不改变训练过程。⑤在朴素贝叶斯中引入隐变量。