U ovom radu prikazan je problem klasifikacije uzoraka pomoću algoritma k-najbližih susjeda, te unaprjeđenje tog algoritma raznim načinima. Algoritam k-najbližih susjeda uspoređen je s njegovim unaprijeđenim inačicama na temelju eksperimentalnih rezultata dobivenih mjerenjem točnosti klasifikacije u različitim uvjetima, s različitim skupovima podataka i brojem susjeda k. Određeni su najveći nedostatci standardnog algoritma k-najbližih susjeda kroz funkciju udaljenosti, dodjeljivanje jednake važnosti svim atributima, te raspon veličina atributa. Ti nedostatci su riješeni u obliku unaprjeđenja algoritma drugačijom funkcijom udaljenosti, u ovom radu Manhattan, dodavanjem težine važnijim atributima, te normalizacijom skupa podataka. Kroz sva tri unaprjeđenja vidljivo je povećanje točnosti klasifikacije kroz dobivene eksperimentalne rezultate.

In this paper, the problem of classification was shown using the k-nearest neighbors algorithm and its improvements through various ways. K-nearest neighbors algorithm was compared with its improved variants based on the experimental results obtained by measuring classification accuracy in different conditions, with different data sets and the number of neighbors. Biggest disadvantages of the standard k-nearest neighbors algorithm were defined through a distance function, assigning equal importance to all the attributes, and size range of the attributes. These shortcomings are addressed in the form of improving the algorithm with different distance function, in this paper, Manhattan, adding weight to important attributes, and normalization of the data set. Through all three improvements, an increase in the classification accuracy is shown through the experimental results