1.一种数据分类方法，其特征在于，所述方法包括：从非标记数据中抽取负样本数据，所述非标记数据中除所述负样本数据外的数据为袋外样本数据；

将标记数据确定为正样本数据，并基于所述正样本数据及所述负样本数据训练第一分类模型；

使用所述第一分类模型对所述袋外样本数据进行分类，得到类别标签及对应的类别概率；

根据所述类别概率从所述袋外样本数据中筛选目标样本数据，并基于所述正样本数据及所述目标样本数据训练第二分类模型，所述根据所述类别概率从所述袋外样本数据中筛选目标样本数据包括：计算所述类别标签为第一标签的类别概率的第一概率均值及计算所述类别标签为第二标签的类别概率的第二概率均值；根据所述第一概率均值从所述类别标签为第一标签对应的袋外样本数据中获取第一样本数据；根据所述第二概率均值从所述类别标签为第二标签对应的袋外样本数据中获取第二样本数据；确定所述第一样本数据及所述第二样本数据为目标样本数据；

使用所述第二分类模型对所述非标记数据进行分类，得到所述非标记数据的类别。

2.如权利要求1所述的数据分类方法，其特征在于，所述基于所述正样本数据及所述目标样本数据训练第二分类模型包括：基于所述正样本数据及所述目标样本数据迭代训练二叉树模型；

计算所述二叉树模型的当前层中左二叉树的第一数量及右二叉树的第二数量；

根据所述第一数量及所述第二数量对所述二叉树模型的当前层进行更新，更新的二叉树模型的当前层中左二叉树及右二叉树平衡。

3.如权利要求2所述的数据分类方法，其特征在于，所述根据所述第一数量及所述第二数量对所述二叉树模型的当前层进行更新包括：计算所述第一数量与所述第二数量的差值数量；

当所述差值数量小于0时，对所述左二叉树进行数据插值，插值的数据量等于所述差值数量的绝对值；

当所述差值数量大于0时，对所述右二叉树进行数据减损，减损的数据量等于所述差值数量。

4.如权利要求3所述的数据分类方法，其特征在于，所述对所述左二叉树进行数据插值包括：

计算所述左二叉树中任意两个数据之间的相似度；

对所述相似度进行排序；

在排序后的每两个相邻的相似度之间进行插空；

根据每个空格对应的相似度在所述空格中插入数据；

根据所述差值数量对所述插入数据进行排列组合，并将每个排列组合对应的插入数据作为目标插入数据；

针对每个目标插入数据，计算当前层插入所述目标插入数据后的左二叉树与所述当前层之前的所有层的左二叉树之和的第一残差；

根据最小的第一残差对应的目标插入数据实现对所述左二叉树进行数据插值。

5.如权利要求3或4所述的数据分类方法，其特征在于，所述对所述右二叉树进行数据减损包括：

根据所述差值数量多次随机从所述右二叉树中选取多个数据，每次选取的多个数据作为目标减损数据；

针对每个目标减损数据，计算当前层减损所述目标减损数据后的右二叉树与所述当前层之前的所有层的右二叉树之和的第二残差；

根据最小的第二残差对应的目标减损数据实现对所述右二叉树进行数据减损。

6.如权利要求1所述的数据分类方法，其特征在于，所述基于所述正样本数据及所述目标样本数据训练第二分类模型包括：将所述第一样本数据添加至所述正样本数据中得到新的正样本数据；

将所述第二样本数据作为新的负样本数据；

基于所述新的正样本数据及所述新的负样本数据训练第二分类模型。

7.一种数据分类装置，其特征在于，所述装置包括：样本抽取模块，用于从非标记数据中抽取负样本数据，所述非标记数据中除所述负样本数据外的数据为袋外样本数据；

第一训练模块，用于将标记数据确定为正样本数据，并基于所述正样本数据及所述负样本数据训练第一分类模型；

第一分类模块，用于使用所述第一分类模型对所述袋外样本数据进行分类，得到类别标签及对应的类别概率；

第二训练模块，用于根据所述类别概率从所述袋外样本数据中筛选目标样本数据，并基于所述正样本数据及所述目标样本数据训练第二分类模型，所述根据所述类别概率从所述袋外样本数据中筛选目标样本数据包括：计算所述类别标签为第一标签的类别概率的第一概率均值及计算所述类别标签为第二标签的类别概率的第二概率均值；根据所述第一概率均值从所述类别标签为第一标签对应的袋外样本数据中获取第一样本数据；根据所述第二概率均值从所述类别标签为第二标签对应的袋外样本数据中获取第二样本数据；确定所述第一样本数据及所述第二样本数据为目标样本数据；

第二分类模块，用于使用所述第二分类模型对所述非标记数据进行分类，得到所述非标记数据的类别。

8.一种计算机设备，其特征在于，所述计算机设备包括处理器，所述处理器用于执行存储器中存储的计算机程序时实现如权利要求1至6中任意一项所述数据分类方法。

9.一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至6中任意一项所述数据分类方法。