随着大数据时代的来临,数据给人们的生活带来了形形色色的改变,数据的获取已不再是问题,但是数据的标签不能直接获取到,往往需要分析数据的特征去识别数据的标签,若为每条数据都打标显然需要消耗很大的资源。主动学习方法的目标是尽可能使用少量的训练样本实现较高的分类性能,旨在解决样本无标签的问题。现有的主动学习算法虽然基于样本的价值评估对样本进行了合理的选择,但是依然会忽略有价值信息,引入信息冗余的样本。三支决策的核心思想是通过引入一对阈值参数?和?,将一个论域划分为三个没有交集的区域,定义为正域、负域、边界域。对不同区域选择与之对应的处理方法,以实现分而治之。这为不确定性、模糊性、繁杂性问题开辟了新的解决途径。本文结合三支决策理论,展开了基于三支决策的主动学习方法的研究,主要工作如下:(1)本文将三支决策的思想应用到主动学习中,提出了一种基于三支决策的主动学习方法(TWD_Active方法)。首先,基于Margin策略来计算无标签样本的不确定性;其次,根据样本不确定性完成对无标签样本空间的区域划分:正域、负域、边界域;再次,根据每个区域表现出的特点选择与之对应的处理方法,这种从个体差异出发,有目的进行样本选择的方法可以剔除掉没有信息价值的样本,选择出信息量高、有价值的样本。使模型的分类性能、泛化性得到提升。本文在多个UCI数据集上进行对比实验。实验结果显示,文中提出的TWD_Active方法在F-value、AUC等评价指标上都取得了不错的效果,验证了该算法的有效性。本文算法基于三支决策对主动学习进行了拓展,可有效处理数据无标签问题。(2)结合Spark分布式并行计算框架,提出了基于三支决策的并行化主动学习方法。首先,对读入的数据源建立分布式数据集(RDD),以便通过对RDD分区,实现对任务的并行操作;其次,实现TWD_Active方法中样本不确定性计算的并行化,并完成区域的划分;再次,对负域和边界域的样本进行并行化处理。Spark没有将过程中的运算结果写入磁盘,而是全程基于内存运行的。这种基于内存的编程模式有效的提高了算法的执行速度。此外,通过对并行算法的实验验证,证明了基于三支决策的并行化主动学习方法可以有效提高对大规模数据集的处理效率。