怎么办？进行Active Learning主动学习
Active Learning是最近又流行起来了的概念，是一种半监督学习方法。
一种典型的例子是：在没有太多数据的情况下，算法通过不断给出在决策边界上的样本，让打标者进行打标，使得算法明确分类边界，该算法结合On-Line的使用和灰度测试等方法，可以在有大量无标签数据和大量用户资源的时候，从无到有地创建良好的分类器。
如何进行主动学习
周志华的《机器学习》里介绍主动学习的时候提到，利用SVM进行主动学习的时候，应该先用少量有标签的样本训练一个基本的SVM分类器，然后给出无标签样本的时候，只考量到分类面的几何距离小于支持向量的点，因为只有这些点有可能变成新的支持向量从而进一步明确分类面，对于其他远离分界面的样本，可以把他们直接置为对应的标签。
周老师给出的例子略显粗糙，一种改进是：对于有松弛变量的分类器，可以把靠近支持向量的n个点都进行打标，这样有一些点会涉及松弛变量的也可以被覆盖。
进一步优化算法
很多情况下，上面的方法意味着还是需要大量的打标，那么解决这个问题的方法，就是更高效地打标，在原本范围内进行更高效的打标，即使是分类面内也不全部都打。
考虑SVM的分类面实际上上是一组参数，把数据转移到参数空间，一个分类面就是一个点，而一个样本就构成对参数空间的一个限制，一个分界面
即考虑两个空间：
特征空间F：样本以特征为坐标轴产生的空间，每一个点对应一个特征样本，对应参数空间中中的一个超平面（对参数空间的一种限制，也即是一种划分方式）
参数空间W：以SVM的各个参数作为轴产生的空间，每一个点对应一套参数，对应特征空间中的一个超平面（一个划分方式）
参数空间W：以SVM的各个参数作为轴产生的空间，每一个点对应一套参数，对应特征空间中的一个超平面（一个划分方式）
因此在参数空间中的特征限制下的空间称为可行域，未标记的数据会在这个可行域中留下分割，Active Learning就是这这个区域里寻找最有意义的分割并提出标注请求。
因此，因此分界面的可行域如图中中间的四边形，可以想象，SVM尝试找到一个到红色和绿色（支持向量）的半径最大的圆，这就是SVM的中心点
那么，把当出现了一个把可行域分割的样本的时候，在样本空间，这个样本肯定比两个支持向量更靠近分界面的：
问题是，对于一个样本，到底应该选择A区还是B区呢？自然地，可以选择一个能画出半径最大的圆的区域。
当有好几个线经过可行域的时候，一种方法是只给最靠近原来的圆心的点进行打标，这样就可以最有效地分割可行域：
但是实际上，这样不一定能选到最好的圆心（分界面），上面这个图中大家每一次更新圆心都考虑最近的线看看，会陷入局部最优
所以实际上应该寻求这些割裂的白色区域里最大的那个，怎么选呢，这里有一种径向距离法：
径向距离法就是：
在支持向量所夹的区域里面，对每一个样本，在其能够成最临近的（中间什么都没有）的那一个样本组合之间测量距离，取这样的组合里最大距离的样本，作为能获得最大内空间的径向划分，对这对样本进行标注
如何实现径向距离法
推荐在经典的LibSVM上修改实现，LibSVM的代码很好懂