La regla del vecino más cercano (NN) es uno de los algoritmos de clasificación más populares aplicados en muchos campos porque es muy simple de entender y fácil de diseñar. Sin embargo, uno de los principales problemas encontrados al utilizar la regla NN es que todas las muestras de entrenamiento se consideran igualmente importantes en la asignación de la etiqueta de clase al patrón de consulta. En este artículo, se desarrolla una versión de edición evidencial de la regla NN dentro del marco de la teoría de la función de creencia. La propuesta está compuesta por dos procedimientos. Se propone primero un procedimiento de edición evidencial para reasignar las muestras de entrenamiento originales con nuevas etiquetas representadas por una estructura de membresía evidencial, que proporciona un modelo de representación general con respecto a la membresía de clase de las muestras de entrenamiento. Después de la edición, se desarrolla un procedimiento de clasificación específicamente diseñado para muestras de entrenamiento evidentemente editadas en el marco de la función de creencia para manejar la situación más general en la que las muestras de entrenamiento editadas se asignan etiquetas evidenciales dependientes. Se utilizaron tres conjuntos de datos sintéticos y seis conjuntos de datos reales recopilados de diversos campos para evaluar el rendimiento del método propuesto. Los resultados reportados muestran que la propuesta logra un mejor rendimiento que otros métodos basados en NN considerados, especialmente para conjuntos de datos con altas tasas de imprecisión.