Naive Bayes (NB) es uno de los algoritmos esenciales en la minería de datos. Sin embargo, rara vez se utiliza en la realidad debido a la suposición de independencia de atributos. Los investigadores han propuesto muchos métodos de NB mejorados para aliviar esta suposición. Entre estos métodos, debido a su alta eficiencia y fácil implementación, los métodos de NB ponderados por atributos de filtro han recibido gran atención. Sin embargo, todavía existen varios desafíos, como la escasa capacidad de representación para un solo índice y el problema de fusión de dos índices. Para superar los desafíos anteriores, proponemos un marco general de un NB ponderado por atributos de fusión de dos índices adaptativo (ATFNB). Se utilizan dos tipos de categoría de descripción de datos para representar la correlación entre clases y atributos, la intercorrelación entre atributos y atributos, respectivamente. ATFNB puede seleccionar cualquier índice de cada categoría. Luego, introducimos un factor regulador para fusionar dos índices, que puede ajustar de manera adaptativa la proporción óptima de cualquier dos índices en varios conjuntos de datos. Además, se propone un método de consulta de rango para inferir el intervalo óptimo del factor regulador. Finalmente, el peso de cada atributo se calcula utilizando el valor óptimo y se integra en un clasificador de NB para mejorar la precisión. Los resultados experimentales en 50 conjuntos de datos de referencia y un conjunto de datos de Flavia muestran que ATFNB supera a NB básico y a los modelos de NB ponderados por filtro de última generación. Además, el marco ATFNB puede mejorar el modelo de NB de dos índices existente al introducir el factor regulador adaptativo. Los resultados experimentales auxiliares demuestran que el modelo mejorado aumenta significativamente la precisión en comparación con el modelo original sin el factor regulador adaptativo.