局部加权朴素贝叶斯(LWNB)是朴素贝叶斯(NB)的一种较好的改进，判别频率估计(DFE)可以极大地提高NB的泛化正确率。受LWNB和DFE启发，提出逐渐缩小空间(GCS)算法用来学习NB参数：对于一个测试实例，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。这些子空间具有两种性质：1)它们都包含测试实例；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(MDFE)算法渐进地学习NB的参数，然后使用NB分类测试实例。与LWNB的根本不同是：GCS使用全体训练实例学习NB并且GCS可以实现为非懒惰版本。实现了GCS的决策树版本(GCS-T)，实验结果显示，与C4.5以及贝叶斯分类算法(如Naive Bayes、BaysianNet、NBTree、LWNB、隐朴素贝叶斯)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。