机器学习几乎存在于日常生活的每个方面。大量的数据是需要的,但对于特定的问题却并不总是可用的,这就排除了诸如深度学习和卷积神经网络等先进方法的使用。欧几里得网络(EN)可以用来缓解这些问题。EN被彻底测试,以证明其作为分类算法的可行性,以及其方法可用于增强数据和转换输入数据以增加其特征空间维度。最初,人们假设EN可以用来合成数据以增加数据集,尽管这种方法被证明是无效的。下一个研究领域试图扩大输入特征空间的维度,以提高额外分类器的性能。这一领域显示了积极的结果,这支持了更复杂、更密集的输入将使算法对数据有更多的洞察力并提高性能的假设。人们发现EN作为一个独立的分类器表现特别好,因为它在21个数据集中的12个取得了最高的准确性。对于剩下的9个,虽然它没有最高的准确率,但EN的表现与更复杂的算法相当。事实证明,EN还能够扩大数据集的特征空间,以进一步提高性能。这种策略提供了一种更稳健的分类技术,并在所有数据集之间看到了平均3%的准确性。