一致性预测器算法是一种带置信度的域预测机器学习算法,该算法通过将所有满足预先设定的置信度的假设类别都作为域预测结果进行输出,从而实现预测风险可控。一致性预测器与传统的以提高点预测准确率为目的机器学习算法相比,更适用于高风险领域。一致性预测器算法本质上是在线的,并且其在计算测试样本的随机性检验值时要频繁的存储和访问原始的样本序列,这对于一些大数据应用来说是难以承受的。另外,一致性预测器也存在易受非平衡因素影响的问题,其小类样本的域预测结果并不能满足预先设定的置信度(即小类的预测风险不能很好的控制)。但是目前针对一致性预测器在线计算效率和非平衡的研究较少,本文针对这两个问题对一致性预测器算法进行改进研究。针对在线计算效率问题,本文提出了一种基于度量学习的一致性预测器算法,将度量学习算法引入到一致性预测器框架中,通过度量学习将部分在线计算代价转移到离线部分,同时也通过度量学习得到的空间转换矩阵将离线信息应用于在线预测,从而达到在保证预测效率的基础上提高在线计算效率的目的。针对非平衡问题,本文分别在数据层面以及算法层面提出了基于聚类抽样的一致性预测器算法和基于聚类划分的一致性预测器算法。基于聚类抽样的一致性预测器算法通过对训练样本中的大类进行聚类后重新抽样得到平衡的训练样本,从而消除或降低非平衡影响。基于聚类划分的一致性预测器算法是通过对大类聚成k类,然后每个小聚类和原始小类一起构成一个分类器,测试样本的随机性检验值p取k个分类器结果中最大的大类随机性检验值对应的分类器结果。两种改进算法都能有效的降低非平衡影响,使得小类预测风险准确控制。