állva, mint az egyik legszélesebb körben tekinthető sikeres felügyelt osztályozás algoritmusok, k-legközelebbi Szomszéd (kNN) osztályozó általában ábrázolja egy szegény hatékonyság miatt, hogy egy példány-alapú módszer., Ebben az értelemben a közelített Hasonlóságkeresés (ASS) lehetséges alternatívaként szolgál e hatékonysági kérdések javítására az osztályozó teljesítményének tipikusan csökkentése rovására. Ebben a dolgozatban vesszük a kezdeti pont egy ASS stratégia alapján klaszterezés. Mi akkor a teljesítmény javítása megoldásával kapcsolatos kérdések esetben található, közel a klaszter határok által bővítése, méretüket tekintve a használata Mély Neurális Hálózatok tanulási megfelelő képviselete az osztályozási feladat a kérdés., A nyolc különböző adatkészlet gyűjteményét használó eredmények azt mutatják, hogy e két stratégia együttes alkalmazása a pontosság teljesítményének jelentős javulását vonja maga után, jelentősen csökkentve a minta osztályozásához szükséges távolságok számát az alapvető kNN szabályhoz képest.