Семейство метрических алгоритмов , основанных на определении расстояния от одного наблюдения до других , обладает рядом преимуществ : оно подходит для большого типа задач , результаты работы методов имеют понятную интерпретацию. Метрические алгоритмы находят широкое применение при моделировании кредитных рисков , в неразрушающем контроле качества изделий , медицинской диагностике , геологии и многих других практических областях. Наиболее распространенный на практике метрический алгоритм - метод k-ближайших соседей. Одна из ключевых проблем метрических алгоритмов - проблема размерности , так как решение принимается на основе всех наблюдений обучающей выборки. Кроме того , обычно все переменные имеют одинаковый вес при расчете расстояния , что приводит к падению качества алгоритма при увеличении числа признаков. Рассматривается новый метод машинного обучения для решения задач классификации - метрический классификатор с подбором весов признаков. Для оптимизации целевой функции были использованы девять алгоритмов. Качество классификации на их основе проверялось на трех задачах из репозитория UCI. Для построения нового метрического классификатора был выбран усеченный метод Ньютона. Качество нового классификатора проверялось на восьми наборах данных и сравнивалось с качеством классического метода ближайших соседей. Данный классификатор имеет лучшие по сравнению с классическим подходом показатели качества при большом количестве признаков.
