El método de Estimadores de Dependencia Promedio (AODE) es un método popular y efectivo de clasificación bayesiana. En AODE, seleccionar el submodelo óptimo basado en una estrategia de minimización de riesgos cruzados validada puede mejorar aún más el rendimiento de la clasificación. Sin embargo, las estrategias existentes de minimización de riesgos de validación cruzada no consideran las diferencias en atributos en las decisiones de clasificación. En consecuencia, este documento presenta un algoritmo para el AODE Ponderado basado en la Selección de Modelos (SWAODE). Para expresar las diferencias en atributos en las decisiones de clasificación, los ODE correspondientes a los atributos se ponderan, con la información mutua comúnmente utilizada en el campo del aprendizaje automático adoptada como pesos. Luego, estos submodelos ponderados se evalúan y seleccionan utilizando validación cruzada de dejar uno fuera (LOOCV) para determinar el mejor modelo. El nuevo método puede mejorar la precisión y la robustez del modelo y adaptarse mejor a diferentes características de datos, mejorando así el rendimiento del algoritmo de clasificación. Los resultados experimentales indican que el algoritmo fusiona los beneficios de la ponderación con la selección de modelos, mejorando notablemente la eficiencia de clasificación del algoritmo AODE.