شبکه‌های بیزی‏، مدل‌های گرافیکی احتمالی هستند که رابطۀ علّت و معلولی بین متغیرها را تعیین می‌کنند و شامل یادگیری ساختاری و یادگیری پارامتری می‌باشند. الگوریتم ‎ K2‎ یکی از بهترین روش‌های یادگیری ساختار در شبکه‌های بیزی برای متغیرهای گسسته است. کارایی الگوریتم ‎ K2‎، به‌شدت تحت تأثیر ترتیب متغیرهای ورودی است. بنا بر این برای رسیدن به گراف دقیقی که توصیف‌کنندۀ داده‌ها باشد، یافتن الگوریتمی که ترتیب دقیق‌تری از عناصر به‌عنوان ورودی 2‎K‎ ارائه کند‏، مورد نیاز است. در این مقاله، نخست با استفاده از روش افزایشی-کاهشی، پوشش مارکوفی هر متغیر را یافته‏، سپس بر اساس فراوانی‌های شرطی و استفاده از تابع چگالی احتمال دیریکله، از بین پوشش مارکوفی هر متغیر، والدین احتمالی آن متغیر انتخاب می‌شوند. مجموعۀ والدین انتخابی هر رأس به‌عنوان ورودی الگوریتم ‎K2‎ مورد استفاده قرار می‌گیرد و شبکۀ بیزی به دست می‌آید. نتایج حاصل از اعمال الگوریتم پیشنهادی بر روی چند مجموعه دادۀ معیار و مقایسۀ آن با روش‌های دیگر، نشان می‌دهد که الگوریتم پیشنهادی بسیار کاراتر از سایر روش‌ها است.