数据不平衡问题给分类问题带来了挑战,特别是对少数类样本的预测。比如,在客户流失预测中,我们的目的是定位即将流失的客户从而采取措施挽留客户,但是数据样本中流失客户数量远少于未流失客户,这使分类预测中模型倾斜于多数类样本,忽视对少数类样本的正确预测,这与我们关注的目标群体相违背,因此减轻数据不平衡问题对实际应用有很大的意义。数据合成是增加少数类样本数量的有效手段,他有效避免了随机采样造成的信息重复或信息缺失等问题,ADASYN自适应加权合成算法依据少数类样本周围多数类样本数量自适应合成样本数量,为整个数据集提供更多更有效的信息。决策树在分类问题中应用广泛,但决策树对偏斜敏感,对少数类样本的预测缺乏准确性。海林格距离对偏斜数据不敏感,因此改变决策树分裂准则,提出一种基于海林格距离最大化的决策树可以有效地处理数据不平衡问题。针对以上存在的问题以及有效算法,本文提出一种数据合成结合海林格距离决策树的集成学习算法,该算法面对数据不平衡问题能有效提升分类器的性能,更好地预测目标类样本。为研究证明该算法有效性,本文做出以下工作:（1）对客户流失数据集进行正负样本统计并探索该数据集的缺失值以及异常特征,对缺失值进行插值处理,删除异常特征。利用箱型图识别异常数据删除含有异常数据的记录。最后利用IV值结合特征之间的相关系数法选择对预测目标变量有帮助的特征进行模型训练。（2）对处理好的数据进行对照实验,对照的算法模型分别是普通决策树,海林格距离决策树（Hellinger Distance Decision Tree,简称HDDT）以及海林格距离决策树的集成学习算法,分别输出不合成数据和合成数据条件下的各个算法的评估准则值,包括AUC数值,F1分数以及G-mean,这三个准则在评估不平衡数据下的模型有参考价值。得到本文提出的算法在预测客户流失这个问题上对数据不平衡是有显著效果的。（3）设置不同正负样本比例,对样本进行随机抽样训练模型输出各个比例下各算法的AUC数值,F1分数以及G-mean,通过对比分析,基于海林格距离决策树在数据不平衡状态下优于普通决策树。数据不平衡度越大,海林格距离决策树的优越性体现的越明显,在平衡状态下,二者的性能相差不大。