随着科技的发展,各行业数据的收集和处理变得越来越容易,而迅速整理和挖掘数据中隐含的信息,不仅能够有效提升各行业的智慧数据处理技术能力,还能够为相关行业的发展提供强有力的支撑。随着数据量的不断增加,数据的分布逐渐呈现出不平衡的趋势,相对于数据集中占比较多的样本,样本数量少的一类才是人们需要深入研究的重点。如在医学检测、垃圾邮件过滤、银行卡防欺诈等方面,数据分布的不平衡更是普遍存在,有效地解决这一问题能够及时发现并预见可能出现的风险,有着重要的科学研究意义和使用意义。现有的分类器在处理不平衡数据集时,其识别率往往不能达到理想水准。传统的分类模型通常会采用平衡数据集来加以训练,以期获得更高的分类精度,但是在处理不平衡数据集时,这种方法的效果往往不尽如人意。因此,本文首先通过分析不平衡数据集的数据分布规律提出一种基于边界信息融合聚类的混合采样方法。该方法首先定义了边界点概念,并据此对数据集中多数类样本的边界点进行了保留,然后对余下的多数类样本进行聚类欠采样,再对欠采样后得到的数据集使用Borderline-SMOTE方法过采样,以得到最终的数据集。通过将该采样方法与传统分类器相结合,在多个公开数据集上进行实验,结果显示,它能够有效地提升对不平衡数据的分类准确性。然后,根据强化学习中奖励函数以及累计奖励的思想,提出了融合强化学习机制的改进决策树算法。针对不平衡数据分类中遇到的少数类样本易被错分的问题,对决策树算法节点分裂属性的选择标准进行调整,使其在分裂过程中更加关注少数类样本,以提高少数类样本被正确分类的概率。通过与原始决策树算法进行对比实验,发现所提出的算法在召回率和G-mean指标上都有提升。最后,将改进后的决策树算法用作Adaboost算法的基分类器并与提出的混合采样方法相结合得到最终的算法。将该算法在多个公开数据集上开展试验,实验结果验证了所提算法的有效性。