Como una mejora importante al Bayes ingenuo, el Bayes ingenuo aumentado por árbol (TAN) exhibe un excelente rendimiento de clasificación y eficiencia ya que permite que cada atributo dependa de a lo sumo otro atributo además de la variable de clase. Sin embargo, su rendimiento podría disminuir ya que algunos atributos podrían ser redundantes. En este documento, proponemos un algoritmo de Bayes ingenuo aumentado por árbol selectivo de atributos (STAN) que construye una secuencia de modelos aproximados, cada uno involucrando solo los primeros atributos específicos y busca minimizar el riesgo de validación cruzada en el modelo. Se han explorado cinco enfoques diferentes para clasificar los atributos. Dado que los modelos pueden evaluarse simultáneamente en un solo pase de aprendizaje a través de los datos, es eficiente y puede evitar los óptimos locales en el espacio del modelo. Los experimentos extensos en 70 conjuntos de datos de UCI demostraron que STAN logra un rendimiento superior manteniendo la eficiencia y la simplicidad.