数据不平衡问题是机器学习领域的一个重要研究课题,指的是数据集类别样本数量不近似相等。数据不平衡处理技术广泛应用于医疗诊断、信用评估、生物信息等领域。数据不平衡问题会造成机器学习模型对不同类别的训练失衡,为降低数据不平衡问题对机器学习分类模型训练的影响,近年很多学者对其进行了深入研究。但是,随着现实场景中更复杂的不平衡数据集出现,数据不平衡研究领域仍然存在着很多的困难与挑战。本研究重点论证了当前数据不平衡领域存在的一些问题,并给出了一种数据不平衡样本合成的过采样算法。主要研究如下:1.针对目前已有数据不平衡技术研究方法,归纳和验证了以下三种数据不平衡研究中存在的问题:类别样本比例对分类模型的影响、样本量级对分类模型的影响、不平衡处理方法对分类模型的影响,为数据不平衡研究提供了理论依据。首先,对数据不平衡问题及其已有解决方法在机器学习分类模型训练中的影响进行了问题归纳。然后,对三种问题进行了实验设计,并阐述了实验过程。最后,根据实验结果分别进行了图表分析以及问题讨论,并给出了实验结论:不同样本量级对分类模型的影响较大,但大样本量的数据集也并不能避免数据不平衡问题;多种不平衡处理方法对SVM、GBDT分类模型在不平衡问题上会提高一定的分类性能。2.针对当前数据不平衡过采样处理算法容易导致模型训练过拟合的问题,给出了一种结合K-means与CTGAN的过采样处理算法。在对上述的数据不平衡问题的归纳与验证实验中发现,目前的数据不平衡过采样算法主要基于随机特征插值方法进行样本合成,然而此类方法在合成的样本数量较多时,很容易造成样本重叠,进而造成模型训练过拟合。K-means CTGAN是从概率分布的角度合成样本,在一定程度上降低了样本合成的重叠率,能够解决模型训练过拟合问题。使用K-means CTGAN算法与四种不平衡处理方法在四个不同类型的不平衡数据集上进行了比较实验。实验结果表明,该方法在F1＿score、G＿mean评价指标下整体效果优于其他过采样方法。最后,使用K-means CTGAN在房屋贷款问题上进行了数据不平衡处理,并设计与实现了房屋贷款预测系统。