机器学习模型的有效应用主要由数据、算法以及算力三个部分构成,眼下该类模型的研究热点为对机器学习算法部分进行改进。但是在现实应用领域中,主要制约着机器学习预测效果的因素是数据质量,特别是数据量少、数据类别多的情况下,数据的规模和质量将无法与算法的要求相匹配。因此,针对数据量小、类别多所导致的XGBoost模型训练和预测效果较差的问题,目前常用的方法有:在类别不均衡的样本中采取过采样或欠采样的方式;在图像数据中采用数据增强方式。当数据为均衡、非图像数据时,如何利用有限的数据提升XGBoost模型在测试集上的预测准确率成为了本文需要解决的问题。为了解决该问题,提出了基于非随机样本增容的XGBoost模型。通过对原本已分开的测试集采取非随机抽样,并将抽取样本放回原训练集,以此来增加训练集数据量,加强XGBoost模型的训练强度,提升了该模型在测试集上的表现能力,主要的研究成果为以下两个部分。第一,将XGBoost模型与非随机样本增容相结合,利用产生的模拟分类数据进行预测分析。发现非随机样本增容后,XGBoost模型在测试集上的表现能力有着不同的提升,提升精度从0.21%到3.33%不等。通过重复进行非随机样本增容后,所得到的最大正确率均在标准化后的期望和方差交界之前。第二,采用非随机样本增容XGBoost模型对成都、哈尔滨、昆明三个城市的空气质量进行实证分析,所得结果显示:（1）与XGBoost模型预测结果相比,成都、哈尔滨、昆明的空气质量分类预测精度分别提升了3.48%、0.3%、0.6%;（2）基于Optuna调参框架对模型进行超参数调参,相较于调参之前,三个城市的预测精度分别提升了8.36%、5.47%、2.13%。本文模拟与实证研究表明,在非平衡小样本情况下,非随机样本增容方法能够有效提升XGBoost模型在测试集上的表现能力,因此该方法可以推广到类似数据中。