机器学习中的二分类问题有广泛的应用,如贷款违约预测。随着数据量增加,基于数据训练的机器学习模型在很多领域已经接近甚至超过人类。但训练一个有效二分类模型,所需算力也大幅增加。首先,很多机器学习算法时间复杂度,与数据量呈线性、二次甚至高次增长;其次,模型中包含多个超参数,需尝试大量参数组合来选择最优组合。本文拟研究的二分类任务的数据预选问题是,如何从训练数据集中筛选出一个子集,使得基于子集训练的二分类器的预测准确度接近完整数据集的性能。以损失微小的预测准确度为代价,换来训练时间的大幅缩小,可使各行各业以更低成本投产。本文将二分类任务分为正负类对象可分的相对容易任务与不可分的相对复杂任务。在可分二分类任务中,正负类对象分布在最优决策面两边,两类之间有一个隔离带,最优决策面落在隔离带中。离最优决策面近的对象,也离对岸近。因此,可用一个对象到对岸的距离近似它到最优决策面的距离,称为该对象的异类距离。本文因此设计出按照异类距离筛选数据的方法DOC,并对它进行加速来处理大规模数据集。针对相对复杂不可分二分类任务,本文基于二分类任务概率模型刻画最优决策面。在最优决策面上,一个对象属于正负类别的概率相同。一个对象属于正负类的概率之差越小,距离最优决策面越近。本文提出异类概率差（PDOC-V）来刻画正方两类对象到最优决策面的距离并通过沃罗诺伊图找到每个对象的邻居,基于邻居来估计一个对象属于正负类别的概率。由于计算沃罗诺伊图的时间复杂度与数据维度呈指数增长,随机射线加速算法可将时间复杂度降到O（N~2）。当数据在空间中不同区域的密度不均匀时,本文的DOC方法及文献中基于距离预选数据的方法会受到干扰,找到的子集不能准确刻画最优决策面。而PDOC-V算法可全面衡量空间中不同方向邻居的影响力,减少这种干扰。本文在4种人工数据集和来自不同应用场景9个真实数据集上进行大量数值实验展示新算法效果及适用范围。结果表明:在可分情况下,各种算法都表现较好;当正负对象重叠比较严重（不可分）时,只有本文提出的PDOC-V算法找到的决策面与最优决策面很接近,其它算法甚至会出现决策面完全倒置的情况。当筛选比例在40%左右时,各算法都可以找到比较好的子集,当筛选比例继续降低时,文献中的方法的性能急剧下降;而本文提出的PDOC-V算法性能下降轻微。即使筛选比例降至10%以后,PODC-V选的子集训练的模型的预测准确率还能超过原数据集上训练的模型的95%以上。