近年来,随着大数据时代的到来,数据的规模和复杂性呈指数增长趋势。如何从海量数据中快速准确地挖掘出有价值的知识,已成为机器学习领域的研究热点,具有重要的应用价值。例如,信用卡欺诈检测,天气预测,医疗诊断等,都是从大量的数据中挖掘出数据背后的知识。分类问题是机器学习研究的主要问题之一,本文的主要工作是:通过研究与分类器的泛化能力有关的因素,找出这些因素与分类器泛化能力之间的关系。具体地,以极速学习机为分类器,分析了分类问题的复杂性和输出结果的不确定性对分类器泛化能力的影响,提出了分类器输出的不确定性、分类问题的复杂性和泛化能力之间关系的模型。通过实验,证明了分类器输出结果的不确定性和分类问题的复杂性与分类器的泛化能力之间存在一定的联系:当分类问题的复杂性较高时,分类器的泛化能力随着输出结果不确定性的增加而增加;当分类问题的复杂性比较低时,分类器的泛化能力随着输出不确定性的增加而降低。这一发现可以为分类器的泛化能力的提高和评价提供帮助。