1.基于统计误差主动学习的井位优选方法，其特征在于：具体步骤如下：S1.提取特征：特征包括孔隙度、渗透率、净毛比、含水饱和度、构造海拔深度、原始压力和目前压力；

S2.构建误差统计主动学习分类器：包括理论标签误差统计模型和实际标签误差统计模型；

S21理论标签误差统计模型：包括定义两个标签错误统计函数，分别是基于单实例和实例对的统计函数，利用这两个统计函数分析标签统计误差与邻域之间的关系，基于该关系描述井位之间差异性信息；

S211.单实例标签错误统计方法如下：领域是标签错误统计的核心概念，实例的领域通常由距离或其他相似性指标来确定；

定义1：x∈U的领域半径为λs，那么其中，x，y：表示样本点；U：表示特征空间；d(x，y)：表示x和y之间的欧式距离；λs：表示距离的变量； 表示个数的变量；∈：表示属于符号；{...}：表示集合符号；

定义2：单实例标签误差统计函数为此时，

其中，λs：表示距离的变量；es(λs)：表示概率误差的变量；∑：表示求和；χ(x，λs)：表示二值型的变量； 表示个数的变量；l(x)，l(y)：表示标签函数；∈：表示属于符号； 表示存在符号，自然而然地，es(λs)的上限是1；

S212.实例对标签错误统计方法如下：误差统计函数es(λs)考虑分类错误的上限，还需要更通用的标签错误统计方法，接下来将从实例对的角度定义一个新的标签误差统计函数；

定义3：实例对为特征空间中的任意一对点的集合，当实例对的距离小于λp时，有其中，：表示一对样本点；U×U：表示实例对的特征空间；d(x，y)是x和y之间的欧式距离；λp：表示距离的变量； 表示个数的变量；∈：表示属于符号；{...}：表示集合符号；

定义4：设λp是距离门限，实例对标签误差统计方程为其中，x，y：表示样本点；λp：表示距离的变量；ep(λp)：表示概率误差的变量；l(x)，l(y)：表示标签函数；|…|：表示绝对值符号；∈：表示属于符号；{...}：表示集合符号；

S22实际标签误差统计模型

根据定义2和定义4，建立两个实际的统计模型，定义2考虑的是标签误差概率的上限，而定义4考虑的是一般情况下的标签误差概率，考虑并使用戴维森堡丁指数评估指标对不同井位进行分类，井位聚类性能良好，即DB＜1.2；使用定义2来构建单实例的统计模型f1：如果DB≥1.2，使用定义4来构建实例对的统计模型f2：

2.根据权利要求1所述的一种基于统计误差主动学习的井位优选方法，其特征在于：S22具体步骤如下：

1)分别准备30个不同区块的井位信息数据集，用于训练两个实用模型，训练数据集具有不同的分布，实例范围从72到102，501，属性数量范围从2到1000；

2)根据数据和应用程序要求选择合适的聚类算法，使用给定的聚类算法聚类训练数据集，每个数据集形成c块，c是决策属性的类别数量；

3)计算两个实例之间的距离并将它们标准化，归一化公式如下：其中，Min和Max分别代表两个实例之间的最小和最大距离；

4)计算es(λs)，ep(λp)，对于每个聚类块，根据定义2和定义4，分别计算单实例和实例对的经验标签误差；

5)统计分析并获得两个经验标签误差曲线，首先，计算30个数据集的es(λs)，ep(λp)并获得统计分布直方图，然后使用多项式拟合来获取经验标签误差曲线 和 两个经验标签误差函数分别为：

其中， 表示单实例标签误差经验曲线；

其中， 表示实例对标签误差经验曲线。