随着信息技术的飞速发展,各式各样的信息数据给人们带来不同的有用信息,其中不平衡数据集内所蕴含的有用信息逐渐被人们挖掘和使用,不平衡数据集内部数据分布严重不平衡且其中的有用信息大概率都只占有相对较少的数量,但其中的少数类事件的发生对其所属的领域有着很重要的使用价值,由于少数类样本的稀少性,需要研发人员投入更多的精力去分析和挖掘其中的有用信息。在众多对不平衡数据集的采样算法中,SMOTE算法的提出有效的解决了以往处理数据采样方法的随机性,消除了因随机复制增加少数类样本点带来的过拟合现象。该算法的提出为处理不平衡数据集提供了有力的指导思想,但其本身也存在着一定的局限性,SMOTE算法在随机选取一个少数类样本点后,要求找到其k个近邻点,但是算法并没有明确的指出该如何确定k的数值,故只能根据所得到的数据集进行测试,来得到k的最优解,这种做法使k值得选择存在盲目性,也浪费研究人员的时间资源。在找到近邻点生成新样本点时,根据其在边界的样本点生成新样本点时,会使新样本点越来越边缘化,渐渐的就会模糊样本的正负类边界,也会影响原有的数据分布。本文具体工作如下:首先,针对SMOTE算法存在的问题进行了理论分析,在之前学者提出Boderline-SMOTE算法的基础上在对算法加以改进,结合K-means聚类算法提出KB-SMOTE算法。新算法对数据集采样操作前,先对少数类进行聚类处理,聚类结束后对对各个簇进行判断,根据Boderline-SMOTE算法判断各个样本点的条件将各个簇分布到其相应的所属集合中:噪音簇集合、边界簇集合、安全簇集合。得到各个簇的集合后,只对边界簇集合中的所有簇进行新样本点的生成,去除边界簇内的多数类样本,根据新的插值公式生成新的样本点。这一方法既有效的解决的SMOTE算法在确定其k近邻的盲目性,也解决了数据集分类边界模糊的问题。在簇内进行新样本点的生成也减小了对原始数据分布的影响。其次,为了验证新算法的有效性,选取一个信用卡欺诈检测的数据集,将该数据集分别采用:使用原始数据集、随机下采样方法处理数据集、SMOTE算法处理数据集、KB-SMOTE算法处理数据集,将通过以上几种方法得到的数据集分别对逻辑回归模型进行训练,采用5折交叉验证和设置正则化惩罚项来对模型进行优化。最后,将测试集的依次通过上述方法训练的逻辑回归模型中去,通过对模型分类性能的比较和分析,证实了KB-SMOTE算法的有效性。