K-निकटतम-पड़ोसी का मुख्य विचार निकटतम बिंदुओं को ध्यान में रखता है और बहुमत के मत से डेटा के वर्गीकरण का निर्णय करता है। यदि ऐसा है, तो इसे उच्च आयामी डेटा में समस्या नहीं होनी चाहिए क्योंकि स्थानीय संवेदनशील हैशिंग जैसे तरीके कुशलतापूर्वक निकटतम पड़ोसियों को ढूंढ सकते हैं।
इसके अलावा, बायेसियन नेटवर्क के साथ फीचर का चयन डेटा के आयाम को कम कर सकता है और सीखने को आसान बना सकता है।
हालांकि, सांख्यिकीय सीखने में जॉन लॉफर्टी द्वारा किए गए इस समीक्षा पत्र में बताया गया है कि उच्च आयामी सुविधा स्थानों में गैर-पैरामीट्रिक सीखना अभी भी एक चुनौती और अनसुलझा है।
क्या गलत हो रहा है?