获取最为精确的分类效果从来都是机器学习方法所追求的研究目的,大多数的机器学习分类模型,一般都是根据平衡数据所设计的,模型只追求整体的分类性能。在做分类问题的数据挖掘领域,不平衡数据普遍存在,直接训练不平衡的数据集会导致对数据集少数类的预测准确性降低,甚至当数据极度不平衡时,模型会把大部分的少数类都划分为多数类,而不平衡数据中数据量较少的那一类往往是需要重点关注的对象,对少数类的误分会造成不可预估的后果。针对数据的不平衡情况,本文叙述了常用的数据采样方法,细分了欠采样、过采样方法以及混合采样方法的优劣,从数据层面进行分析。本文采用正负样本的比例接近1:11的P2P借贷数据,利用机器学习分类器进行建模。首先对贷款基本情况、用户画像和业务等方面进行可视化分析,发现违约相关性较高的特征属性,给予投资人有效性的建议,谨慎投资,降低违约风险带给客户的损失;再对数据进行数据预处理,删掉缺失比例较大、对整体模型无实际意义的特征,对特征进行有效地填充,删除缺失比例较小的特征相关的样本;通过特征的相关性分析,选择与目标变量相关性较高的特征,提高模型性能上限。选择分类模型,对比不进行处理和进行数据采样方法之间的差距,分析数据欠采样方法、过采样方法和混合采样方法对模型评价指标的影响,对正样本的综合检测能力是否提高,对模型整体的分类性能是否有提高。通过实例验证得出了数据采样可以提高模型综合分类性能的结论,并且一般过采样优于其他两种采样方法。欠采样通过减少了大量多数类样本,丢失了多数类样本信息,降低了模型的分类精准率,当然,过采样在对少数类生成新的少数类样本时,也会有少数类发生过拟合的风险,但在实例中多数过采样方法表现良好,且效果一般优于欠采样和混合采样。因此在选择数据采样平衡训练集数据时,应优先选择过采样方法。最后对比单个逻辑回归分类器和集成的随机森林分类器,发现集成模型优于单个弱分类器,因此结合过采样与随机森林对实例建模分类。