本文主要研究学习了Will Wei Sun等人2016年发表的文章《Stabilized Nearest Neighbor Classifier and Its Statistical Properties》。统计分析方法的稳定性是可重复性的重要指标,也是科学方法的一个重要原则。它是指分别基于两个独立同分布的样本进行训练,在对新的样本预测时,可以获得相似的统计结论。然而,在分类环境中,大多数的分类器都只考虑精度,并没有关注稳定性。文章中,Will Wei Sun等人引入了分类不稳定性(CIS)的概念,来量化分类方法所做预测结果的变异性。通过证明发现,任何加权的最邻近分类器的CIS的渐近等价公式与其权重向量的欧几里德范数成正比。基于这个简明的形式,Will Wei Sun等人提出了一种稳定的最近邻分类器(SNN),它通过控制加权最近邻分类器(WNN)的精度在一个很小的区域内,最小化CIS来获得。在理论上,证明了SNN分类器的CIS的收敛速度已经达到最优,并且它在CIS方面的改进大于在精度上的损失。最后,通过仿真实验和三组真实数据的模拟分析,验证了SNN分类器比kNN、BNN等现有的最近邻分类器在具有相似的分类精度情况下,它的CIS有了明显的改进。