随着信息化建设的提高,各企业单位、政府机构积累了大量数据,如何合理利用科学的数据挖掘方法对数据进行预测、分类是提高生产能力的关键所在。面对纷繁复杂的大量数据,如何将数据价值进行充分挖掘是数据工作的核心。因此,分析和研究数据对象以及与之相对应的数据挖掘模型是各行各业创新发展的重点。不平衡数据广泛存在于各种真实业务场景中,例如股价涨跌时间序列数据、医疗诊断数据、客户流失数据等。由于数据的不平衡性以及多噪声、数据分布重叠等问题,传统的机器学习模型面对不平衡学习时往往会难以达到令人满意的效果,甚至无法学习。另一方面,数据不平衡性带来的困难还在于少数类的误分,错误的将少数类划分为多数类,而真实数据中,少数类往往具有更高的价值。为了解决数据不平衡性导致的困难,学术界提出了一系列针对不平衡数据的算法模型,由于这些算法存在破坏数据分布、无法自适应数据、面对噪声不稳定等问题,效果不尽如人意。本文首先分析了模型误差分布与分类边界的交互效应,基于该分析结合动态分类器系统提出软性采样动态分类器集成选择算法,并将该算法由重采样推广至重赋权。最后,本文将采样参数作为元参数从模型中解耦,构建元采样器,并以强化学习算法训练元采样器,实现模型与数据的双重自适应学习。本文所做工作主要有以下几点:本文利用具有不同误差分布特征的数据子集训练多个同构分类器,并绘制各分类器的决策边界可视化图,对模型误差分布与分类边界的交互机制进行分析。通过分析可以发现分类边界会随数据子集的不同发生偏移,并且使用多数类困难样本训练得到的基分类器具有更清晰、细腻的决策边界。整体上看,基于误差分布训练得到的基分类器呈现区域性、多样性特征。本文在基分类器多样性分析的基础上提出柔性采样动态分类器集成选择模型。模型包含两个算法,基分类器生成算法与动态预测算法。基分类器生成算法兼顾了静态集成学习的偏差与方差优势,同时具备多样性与区域性。本文提出的动态预测算法基于分类器评价函数,通过评价预测点的邻域内各基分类器的性能表现动态的赋予预测权重,增强了多分类器系统的局部信息挖掘能力,同时,评价函数将分类器在预测点的置信程度纳入评价函数考察因素,提高了评价机制的合理性。本文对柔性采样动态分类器集成选择模型进行了参数敏感性检验,结果表明柔性采样动态分类器集成选择模型对特定范围内的参数鲁棒,针对该结果,本文给出了柔性采样动态分类器集成选择模型的参数取值意见。本文亦将柔性采样动态分类器集成选择模型与动态分类器系统领域、不平衡集成学习领域的代表性算法在真实数据集上进行性能实验,实验结果表明柔性采样动态分类器集成选择模型具备最优性能,具有稳定性与准确性。为了推广柔性采样动态分类器集成选择模型的应用情景,本文将柔性采样动态分类器集成选择模型的基分类器生成算法进行推广,提出了柔性赋权动态分类器集成选择模型。与柔性采样动态分类器集成选择模型不同,柔性赋权动态分类器集成选择模型将多数类入样概率推广为多数类样本权重,并设计代价敏感因子平衡类别偏差。本文将柔性赋权动态分类器集成选择模型与柔性采样动态分类器集成选择模型在公开数据集上进行性能实验,实验结果表明二者的分类性能接近,得益于训练样本的上升,柔性赋权动态分类器集成选择模型的性能存在微弱的优势。本文将柔性采样动态分类器集成选择模型的采样参数解耦,设置为元参数,训练元采样器指导集成框架学习。本文基于对模型误差分布的认识,设计了包含训练进程、误差分布等信息的元状态,并塑造奖励函数,以强化学习算法训练元采样器,元采样器与集成框架组成了元柔性采样动态分类器集成选择模型。该模型实现了对数据和模型的双重自适应学习,并且具备跨任务迁移能力。本文在真实数据集上对元柔性采样动态分类器集成选择模型进行性能实验,实验结果表明,元柔性采样动态分类器集成选择模型的分类性能与柔性采样动态分类器集成选择模型接近,并且有一定程度的提高。最后,本文对元柔性采样动态分类器集成选择模型进行了跨任务迁移实验,实验结果表明,元学习器具备跨任务迁移能力。