terwijl de k-nearest Neighbor classification (kNN) een van de meest overwogen en succesvolle classificatiealgoritmen is, toont de k-nearest Neighbor (kNN) classificator over het algemeen een slechte efficiëntie omdat het een instance-based methode is., In deze zin, Approximated Similarity Search (ASS) staat als een mogelijk alternatief voor het verbeteren van die efficiëntieproblemen ten koste van typisch verlagen van de prestaties van de classifier. In dit artikel nemen we als eerste punt een ASS strategie gebaseerd op clustering. Vervolgens verbeteren we de prestaties door problemen op te lossen die verband houden met instanties die zich dicht bij de clustergrenzen bevinden door hun omvang te vergroten en het gebruik van diepe neurale netwerken te overwegen voor het leren van een geschikte representatie voor de classificatietaak in kwestie., Resultaten met een verzameling van acht verschillende datasets laten zien dat het gecombineerde gebruik van deze twee strategieën een aanzienlijke verbetering van de nauwkeurigheidsprestaties met zich meebrengt, met een aanzienlijke vermindering van het aantal afstanden dat nodig is om een monster te classificeren in vergelijking met de basisregel van de kNN.