基于主动学习不平衡多分类AdaBoost改进算法

　　针对不平衡分类中小类样本识别率低问题，提出一种基于主动学习不平衡多分类AdaBoost改进算法。首先，利用主动学习方法通过多次迭代抽样，选取少量的、对分类器最有价值的样本作为训练集；然后，基于不确定性动态间隔的样本选择策略，降低训练集的不平衡性；最后，利用代价敏感方法对多分类AdaBoost算法进行改进，对不同的类别给予不同的错分代价，调整样本权重更新速度，强迫弱分类器“关注”小类样本。在临床经胸超声心动图（TTE）测量数据集上的实验分析表明：与多分类支持向量机（SVM）相比，心脏病总体识别率提升了5.g%，G-mean指标提升了18. 2%，瓣膜病（VHD）识别率提升了0.8%，感染性心内膜炎（IE）（小类）识别率提升了12. 7%，冠心病（CAD）（小类）识别率提升了79. 73%；与SMOTE-Boost相比，总体识别率提升了6.ll%，G-mean指标提升了0.64%，VHD识别率提升了11. 07%，先心病（CHD）识别率提升了3.69%。在TTE数据集和4个UCI数据集上的实验结果表明，该算法在不平稳多分类时能有效提高小类样本识别率，并且保证其他类别识别率不会大幅度降低．综合提升分类器性能。