Se definirmos $ \ epsilon = 0 $ e $ sim (a, b) = i (a = b) $, $ f (x) $ literalmente analisa o número de duplicatas de $ x $ dentro do conjunto de treinamento.Dado um novo exemplo $ x $ que queremos classificar usando o nosso classificador $ k $ nn, deixe $ (x_n, y_n) $ seja o vizinho mais próximo de $ x $.Dado o número de duplicatas no conjunto de treinamento $ f (x_n) $, agora podemos dizer quantos outros vizinhos são considerados por esse $ k $ nn;A resposta é $ k – f (x_n) $.À medida que $ f (x_n) $, o primeiro termo domina e a chance de classificar $ x $ em $ y_n $ também cresce também.E esse classificador é $ K $-mais interessante o classificador ($ k $ nn).
Fonte: https://kyunghyuncho.me/when-do-duplicates-frequencies-matter-in-classification/
