La clasificación de desequilibrio es común en escenarios como el diagnóstico de fallas, la detección de intrusiones y el diagnóstico médico, donde obtener datos anormales es difícil. Este artículo aborda un problema de una sola clase, implementando y refinando el algoritmo de Vecino más Cercano de una Sola Clase (OCNN). El mecanismo original de rango intercuartílico se reemplaza con el algoritmo K-means con eliminación de outliers (KMOR) para una identificación eficiente de outliers en la clase objetivo. Los parámetros se optimizan tratando a estos outliers como muestras que no pertenecen a la clase objetivo. Un nuevo algoritmo, el algoritmo de Vecino más Cercano basado en la Ubicación (LBNN), agrupa datos de entrenamiento de una sola clase utilizando KMOR y calcula la distancia más lejana y el percentil para cada punto de datos de prueba para determinar si pertenece a la clase objetivo. Los experimentos cubren estudios de parámetros, validación en ocho conjuntos de datos desequilibrados estándar de KEEL y tres aplicaciones en conjuntos de datos médicos reales desequilibrados. Los resultados muestran un rendimiento superior en precisión, recall y G-means en comparación con modelos de clasificación tradicionales, lo que lo hace efectivo para manejar los desafíos de datos desequilibrados.