Falls du bereits mit künstlichen neuronalen Netzen vertraut bist, hast du in diesem Kurs mit der Nächste-Nachbarn-Klassifikation ein weiteres Verfahren kennengelernt, um Klassifikationsaufgaben lösen zu können. Entsprechend drängt sich die Frage auf, welche Vor- und Nachteile die beiden Verfahren im Vergleich zueinander besitzen. Um den wichtigsten Unterschied zu nennen:
Bei der Verwendung der Nächste-Nachbarn-Klassifikation wird zur Bewertung eines jeden Testobjekts die vollständige Trainingsmenge benötigt. Entsprechend ist das Verfahren kaum anwendbar, falls die Trainingsmenge sehr groß ist. Bei künstlichen neuronalen Netzen hingegen kommt die Trainingsmenge nur während der Trainingsphase zum Einsatz. Für die Testphase benötigt man anschließend nur die Gewichte und Schwellenwerte des Netzes.
Obwohl die Vorteile von neuronalen Netze damit überwiegen dürften, hat die Nächste-Nachbarn-Klassifikation aufgrund ihrer Einfachheit vor allem bei Datensätzen mit überschaubarer Größe durchaus ihre Berechtigung.
Abschließend sei bemerkt, dass die Ergebnisse einer Nächste-Nachbarn-Klassifikation entscheidend verbessert werden können, falls die Daten vor der Anwendung des Verfahrens geeignet vorverarbeitet werden. Beispielsweise kann eine Hauptkomponentenanalyse durchgeführt werden, um die Variablen bzw. Merkmale hervorzuheben, die für die Klassifikation eine höhere Relevanz haben.