代价敏感主动学习与多分类不平衡学习方法的深度剖析与融合策略研究

一、引言

1.1研究背景与动机

在当今数字化时代，机器学习与数据挖掘技术广泛应用于各个领域，为解决复杂问题提供了强大的工具。然而，在实际应用中，数据往往呈现出复杂的特性，其中数据不平衡和代价敏感问题尤为突出，给传统的机器学习算法带来了严峻挑战。

数据不平衡问题普遍存在于众多实际场景中。以医疗诊断领域为例，疾病的发生概率存在显著差异，如罕见病的病例数量相较于常见疾病少得多。在癌症诊断数据集中，良性样本的数量可能远远超过恶性样本。这使得分类模型在训练过程中倾向于将更多样本预测为多数类（良性），导致对少数类（恶性）的识别准确率较