21世纪社会进入了数据时代,人类收集、储存、传输、处理数据的能力取得了飞速提升,人类社会积累了大量数据,亟需能有效地对数据进行分析利用的计算机算法,机器学习顺应了数据时代的这个迫切需求,机器学习领域因此取得了巨大的发展、受到了广泛的关注。在计算机科学的分支科学领域中,无论是图形学、多媒体,还是网络通信、软件通信,乃至体系结构、芯片设计,机器学习已成为最重要的技术进步源泉之一。数据分类作为一种基础的数据处理方法,已经广泛应用于数据的智能化处理。传统机器学习中的分类方法通常假设数据类别分布均衡且错分代价相等,然而,现实中的数据通常具有不平衡性,即某一类别的样本数量少于其他类别的样本数量。当使用传统的分类模型处理不平衡数据时,由于少数类样本的数量占比较少,被多数类样本掩盖,传统的分类预测模型无法精准识别少数类样本。不平衡数据会导致传统的分类预测模型在测试集上的表现较差,因此如何处理不平衡数据是建立高效分类预测模型的关键。随着科学技术的发展,不少学者提出了很多解决不平衡性的方法,较为常见的有欠采样、过采样、采样组合和采样集成等。但至今未有确定的结论说明哪种处理方式更有利于建立高效的分类预测模型,因此大多数文献都不考虑如何控制不平衡数据,本文将探讨各种不平衡处理方式在不同的不平衡数据上具有的优劣势。本文聚焦于系统地讨论各种不平衡处理方式的适用性,通过对比在多个具有代表性的数据集上的结果以突出一般性。本文选取了多个具有典型不平衡性的数据集,按照不同不平衡比例本文总共选取了8个数据集,它们的不平衡比例范围从极端不平衡（约1:129）到接近平衡（约1:1.2）。在不平衡处理方式方面,本文选取了欠采样和过采样中具有代表性且常用算法,过采样方法中选取了SMOTE算法以及采样组合中的Tomek Link Removal+SMOTE算法和过采样集成中的SMOTEBOOST,欠采样方法中选取了Tomek Link Removal算法、随机欠采样算法以及欠采样集成中的RUSBoost算法;在分类预测模型方面,本文选取的模型覆盖了集成模型与非集成模型两大类且具有代表性,模型包括逻辑回归模型、随机森林模型与Light GBM模型。本文在不同种类模型上探讨各种采样方法的适用性,将经过6种采样方法与不采用采样方法处理后的数据集训练上述三种模型,选用稳定性指标AUC、F1值来对比模型的性能。通过本文设计的实验总结发现,过采样方法或者基于过采样的组合或集成方法更适用于极端不平衡数据的处理,而当不平衡比例大于1:19小于1:2时,欠采样或欠采样集成的表现更优。当数据的不平衡比例接近1:1时,各类采样方法较原始数据建模提升的效果并不显著。本文的实验结果为现实世界中的不平衡数据分类问题提供了新的方向,具有一定的现实意义。