信息高速发展的今天,每时每刻都会产生大量的数据,对大数据进行分析处理能够带来明显的经济、学术价值。分类一直以来都是大数据处理中比较常见的手段,同时分类问题也是机器学习中比较重要的一类问题。然而,很多分类方法都基于一个前提:数据在不同类别上的分布是均衡的,不同类别的样本被分错的代价也是相同的,这显然不符合现实情况。在数据分析的实际操作中,数据集的不平衡是一个不可避免的问题。如何在不平衡数据集上分类是包括信息技术、财务管理、医疗等现实世界各个领域普遍面临的问题。目前,解决不平衡分类问题的主要方法分为以下五个层面:数据层面、特征选择层面、成本敏感学习、集成学习和其他方法。其中,数据层面的采样方法和集成学习结合起来的效果相对而言较好,不依赖于算法,适用性也更加广泛。在采样方法中,过采样容易导致数据的过拟合,欠采样又容易丢失部分数据信息。本文针对当前采样方法的缺点,提出了一种大类样本转化为小类样本的MMR算法。MMR通过一种启发式的方法,选择一部分的大类样本,改变它们的类别标签,将它们加入到小类中,使这些被选择的大类成为名义上的“小类”。这样既增加了小类样本的数量,也降低了大类样本的数量,使得整个数据集更加平衡。除此之外,本文也为采样方法MMR提出了一种新的基于提升的MMBO集成方法,通过有区别地对待转化样本和未转化样本,使得该方法在不平衡分类问题上具有更好的性能。本文进行了丰富全面的实验,选取多个评价指标,增加了数据集的数量和规模。最终实验结果也表明本文提出的方法能够有效解决不平衡分类问题。