摘要。由于其普遍适用性，机器学习模型（ML）在过去二十年中一直是一个热门话题。尽管它们有效，但一些ML模型表现出效率低下，尤其是在大数据分类中。此外，某些ML模型在某些小数据集上有效。在这方面，由于在线数据的可访问性越来越大，自动数据分类技术吸引了很多研究兴趣。因此，在文本分类字段中已经开发了许多独特的学习策略。基于质心的分类器（CBC）是其中最广泛使用的技术之一。专注于增强NC分类器时，本文旨在简要研究某些ML模型对中小型数据集分类的影响。在这些模型中：N-中心技术（NC）作为简单设计的分类器，支持向量机（SVM）和多项式贝叶斯（MNB）。最重要的是，本文通过与两个相似性度量的集成，即基于集合理论的相似性度量（STB-SM）和改进的余弦相似度量（ISC），引入了NC的结合变化。在有效性和效率方面，综合NC分类器的性能被认为是有希望的。