یکی از مهمترین مشکلات دسته بندی به روش kنزدیک?ترین همسایه و سایر روش های دسته بندی مشابه، معیار فاصله می?باشد. معیار فاصله اساسی?ترین بخش محاسبه?ی همسایه?های یک نمونه?ی تست می?باشد. استفاده از نزدیک?ترین همسایه?ها به عنوان نمونه?های آموزشی یک الگوریتم دسته بندی، روشی معمول به منظور محلی کردن یک دسته بندی کننده مانند svm است. در این رساله روشی ارائه شده است که با استفاده از وفقی کردن معیار فاصله، همسایه های مناسبی را به عنوان نماینده انتخاب می کند. سپس با استفاده از یک ابر صفحه جداساز مانند svm عمل دسته بندی را انجام می دهد. روش پیشنهادی با وزن دادن به نمونه های آموزشی، تاثیر نمونه ها را در عملکرد دسته بندی کم و زیاد می کند.به نمونه هایی که تاثیری در نتیجه دسته بندی svm ندارند، وزن صفر انتساب می دهد و به دیگر نمونه ها با توجه به تاثیری که در نتیجه دسته بندی دارند وزنی در بازه [0,1] انتساب می دهد. روش پیشنهادی بهینه ترین راه حل محلی را پیدا می کند و طوری به نمونه ها وزن می دهد که svm محلی بهترین کارایی را از نظر leave-one-out داشته باشد. . به منظور ارزیابی سیستم، روش پیشنهادی با svm و svm محلی مقایسه شده است. سیستم پیشنهادی نه تنها به طور میانگین عملکرد بهتری نسبت به سایر روش?ها از خود نشان داده، بلکه تعداد قابل توجهی ازنمونه?ها را برای استفاده در مرحله?ی تست کاهش داده-است