medan stående som en av de mest övervägda och framgångsrika övervakade klassificeringsalgoritmer, k-närmaste granne (kNN) klassificerare visar i allmänhet en dålig effektivitet på grund av att vara en instansbaserad metod., I den meningen står approximerad Likhetssökning (ASS) som ett möjligt alternativ för att förbättra dessa effektivitetsproblem på bekostnad av att typiskt Sänka klassificerarens prestanda. I detta dokument tar vi som första punkt en ASS strategi baserad på kluster. Vi förbättrar sedan dess prestanda genom att lösa problem relaterade till instanser som ligger nära klustergränserna genom att utvidga deras storlek och överväga användningen av djupa neurala nätverk för att lära sig en lämplig representation för klassificeringsuppgiften i fråga., Resultaten med en samling av åtta olika datauppsättningar visar att den kombinerade användningen av dessa två strategier innebär en betydande förbättring av noggrannhetsprestandan, med en avsevärd minskning av antalet avstånd som behövs för att klassificera ett prov i jämförelse med den grundläggande kNN-regeln.