在大数据时代,随着各种各样数据的不断复杂化,数据样本不平衡问题愈发严峻且范围愈加广泛。而在当下的理论研究中,传统的机器学习建模方法在解决实际问题时,只有在正负类别较为均衡的情况下,才有较好的分类预测效果、较高的精确度、准确度和召回率。在样本分类差距较为悬殊的时候,传统的机器学习方法及评价指标都无法在预测的时候更加重视少数类样本,从而导致因忽略少数类样本现实意义带来的预测偏差。如何解决不平衡数据问题的研究引起了越来越多国内外学者的关注。本文提出了一种解决不平衡数据二分类问题的处理方法。现有的理论研究提出了适用于各种数据类型的数据采样方法和算法来解决不平衡数据问题,但是单一的采样方法并不能很好地解决所有不同类型的不平衡问题。本文基于Adaboost的集成学习理论,提出了集成各种不同采样方法的改进方法:在每一轮迭代中,根据训练集样本不同的权重分布选择使训练集加权误差最小的采样方法,来达到平衡不均衡二分类数据的目的;通过增加错误预测样本的权重重点学习错误预测的样本,通过计算每一轮预测数据的结果调整样本权重计算弱学习器的系数;最后输出弱学习器和弱学习器系数的线性组合作为强学习器,提高学习器的预测效果,尤其是在少数类样本的预测效果。本文的改进方法通过对六组蒙特卡洛模拟数据进行实验得出该方法具有稳健性的结论。同时还将本文方法应用于信贷问题和交易预测问题的实证分析,该方法在两个实证数据上均表现出了较好的预测效果。