1、在監(jiān)督學習任務中，訓練集通常是由隨機選擇的無類標樣例經(jīng)由專家標注得到的。而標注樣例的這個過程通常代價很大，利用主動學習方法選擇樣例可以減少訓練樣例的需求量；支持向量機與其他的監(jiān)督學習方法相比具有一定的優(yōu)勢。因此，本文結(jié)合支持向量機與主動學習提出了一種新的樣例選擇方法。對于無類標池中的每個樣例和該樣例的所有可能的類標情形，考慮該樣例在加入訓練集參加訓練時與超平面的距離大小，新方法選擇在最壞的類標情形下與新的超平面最近的那個樣例交給專家標注

2、。按照本文方法選擇的樣例可以最大程度地有助于最優(yōu)超平面的構造，從而只需標注少量的樣例就可以學到具有較高精度的分類器。實驗驗證了新方法的有效性。
　　在利用支持向量機學習最優(yōu)超平面時，我們沒有考慮訓練樣例的條件屬性與決策類標的不一致性問題，因此得到的最優(yōu)超平面對噪音具有敏感性；粗糙集明確定義了一致性的概念，使用依賴函數(shù)衡量樣例的條件屬性與決策類標的一致程度，是一種處理模糊和不確定性的有效工具。因此，本文構造了軟間隔模糊粗糙支持向量機