در طول دهه ی گذشته، پیشرفتهای تکنولوژیکی، رشد انفجاری ابعاد دادهها را به ارمغان آورده است که اغلب بهطور قابلملاحظهای از تعداد دادهها نیز بیشتر است. این مسئله که باعث به وجود آمدن مشکلاتی در یادگیری و دستهبندی دادهها میشود. کاهش ابعادیک گام مهم برای تشتیی الگو و غلهه بر ایم مشکل است. در ایم مقاله روشی پیشنهاد شده است که با استفاده از نگاشت خطی فضای ورودی به فضایی با ابعاد کم تر از فضای ورودی، علاوه بر کاهش بعد، سعی در پیدا کردن فضایی دارد که دادهها در آن تفکیکپذیری بیشتری داشته باشند. برخلاف روشهای پیشین، مرزهای تصمیم در روش پیشنهادشده میتواند غیرکروی نیز باشد.برای این منظور از تابع هدف خطای الگوریتم نزدیکترین همسایه و فاصله ماهالانوبیس استتفاده شده است و هدف کمینه کردن خطای آن میباشد. نتایج به دست آمده نشان از برتری روش پیشنهادی در مقایسه با روشهای فعلی با مرز تصمیم کروی دارد.