为解决基于机器学习的岩爆预测中存在的数据不均衡问题,提高模型泛化能力,进而提高岩爆预测性能,该文构建了由246组岩爆案例组成的岩爆预测数据集,优选了单轴抗压强度与单轴抗拉强度之比、最大切应力、最大切向应力与单轴抗压强度之比、单轴抗压强度、单轴抗拉强度、弹性能指数6个常用岩爆等级判别特征.通过引入9种经典机器学习算法,建立了9个考虑多因素的岩爆预测模型,研究了5种过采样方法及5种客观赋权方法对模型预测性能的影响.研究结果表明:数据在过采样处理后,模型准确率提高了11.8％～52.3％、宏平均F1值提高了13.0％～50.0％;随机过采样方法对模型性能提升效果最佳,最能解决数据不均衡问题;随机过采样均衡化数据集后,客观赋权作用因模型而异,只能提升基于极限梯度提升算法、随机森林、决策树、极限树构建的模型的准确率(分别提高1.1％、2.1％、10.7％、12.9％)及宏平均F1值(分别提高1.2％、2.3％、11.8％、12.8％);基于随机过采样的多层感知机算法模型是最优的岩爆预测模型,其准确率及宏平均F1值均最高,分别为0.917、0.920.