基于采样技术的主动不平衡学习算法研究

　　针对在不平衡分布数据中执行主动学习，其分类面容易形成偏倚，从而导致主动学习失效这一问题，拟采用采样技术作为学习过程的平衡控制策略，在调查了几种已有的采样算法的基础上，提出了一种边界过采样算法，并将其与主动学习相结合。此外，考虑到极限学习机所具有的泛化能力强、训练速度快等优点，拟采用其作为基分类器，来加速主动学习的进程。通过12个基准数据集对加入平衡控制策略的主动学习算法的性能进行了验证，结果表明：在不平衡场景下，主动学习确实会受到其负面影响，且引入了采样技术的主动学习算法性能明显更优。