bien qu’il soit considéré comme l’un des algorithmes de classification supervisée, En ce sens, la recherche de similarité approximative (ASS) constitue une alternative possible pour améliorer ces problèmes d’efficacité au détriment de la réduction typique des performances du Classificateur. Dans cet article, nous prenons comme point initial une stratégie ASS basée sur le clustering. Nous améliorons ensuite ses performances en résolvant les problèmes liés aux instances situées à proximité des limites du cluster en agrandissant leur taille et en envisageant l’utilisation de réseaux neuronaux profonds pour apprendre une représentation appropriée pour la tâche de classification en question., Les résultats d’une collection de huit ensembles de données différents montrent que l’utilisation combinée de ces deux stratégies entraîne une amélioration significative des performances de précision, avec une réduction considérable du nombre de distances nécessaires pour classer un échantillon par rapport à la règle de base kNN.