近年来,肠道微生物成为医学和生命科学的研究热点,研究表明人类的健康状况甚至是大脑情绪与肠道微生物息息相关。肠道微生物种类的存在与否,以及各类微生物的相对数量对疾病的诊断与治疗都有很大的指导意义。所以引入机器学习方法来分析各类疾病与肠道微生物的关系是十分重要的研究。研究疾病的肠道微生物组数据存在一个特点:类数据含有的标签较少,或者是标签较难获取。这使得传统的机器学习方法在很多情况下效果不佳。基于这个问题,本文运用了主动学习算法来分析疾病与肠道微生物的关系。基于多种疾病的微生物组数据,包括物种丰度数据以及基因丰度两类数据,运用主动学习的多种算法对样本进行分类预测,同时对其进行样例选择。结果表明,主动学习在效率与精确性上优于已有方法。具体贡献如下:第一、提出了一种基于主动学习算法的疾病预测方法:针对疾病与肠道微生物标签少的特性,主动学习可以将信息含量较大的样本主动地选出交给训练器迭代训练,大量研究表明该算法在标签少的数据集中表现较好。本文主要运用三大类主动学习算法对肠道微生物数据进行疾病的分类预测。实验结果表明,主动学习在运用于这类微生物数据上效率与精确性对比与其他的传统算法有明显优势。第二、提出了一种基于学习算法的肠道微生物与疾病样例选择方法:在许多疾病患者中,如何选出对于疾病研究价值高的样例对分析疾病有着重要意义。对于传统的一些样例选择算法,有些算法效果不明显。本文运用基于池的主动学习的样例选择策略,主要包括基于批处理的判别性和代表性查询的主动学习算法和基于自定进度的主动学习算法,对肠道微生物数据进行样例选择。比较结果表明,主动学习在运用于此类数据上对比于其他算法精确性能提高很多。综上,在微生物组数据分析上,主动学习算法对比于其他的机器学习算法有许多优势。主动学习不需要所有样本有标签,需要标签样本较少,算法能重复迭代训练学习器,从而获得较为准确的结果,是一种微生物组数据分析的有效方法。