非平衡数据分类作为一个被广泛讨论的话题,其改进方向大致分成算法和数据两个层面。本文则是在已有关于非平衡数据分类研究的基础上,从数据层面上对该问题继续探索,这个层面的改进更多的是以优化传统采样策略为目标,然后把运用新采样手段处理后的数据统一放入传统分类器中进行学习,其目的是使处理后的数据集类间样本个数相对均衡,以此来提升算法对少数类数据点的识别能力。对于本文所改进的两种解决方法,主要工作可概括如下:(1)针对传统重采样策略在过采样时易于合成冗余样本,以及欠采样会误删包含重要信息的样本点的问题,本文使用边界因子概念来区分各类中的边界样本和非边界样本,使得多数类在进行欠采样时可以只处理距分类界线较远的非边界点,从而避免包含重要信息的多数类样本点被误删,以及当过采样策略作用于少数类时,利用改进的SMOTE方法为分散在分类界线附近的少数类样本添加新的数据点,其某种程度上能够减少冗余样本的生成。为证明所改进策略具有较好的优越性,对UCI库中的8组有偏数据集来完成分类,并将其与SMOTE算法、Borderline-SMOTE算法、基于欧式距离的欠采样算法、以及基于边界因子概念定义样本边界与非边界,但对边界部分中的少数类数据点仅使用传统插值策略,而非边界部分中的多数类数据点仅用随机欠采样策略的算法进行对比,仿真结果显示,本文所改进的策略对数据的分类能力具有一定的提升作用。(2)深入分析传统过采样策略的特点,针对其在添加新数据样点时易忽略数据点的分布特征致使种子样本选择不准确以及新样本质量不佳的问题,本文充分利用数据集中各类数据点的分布信息,旨在挖掘出真正可以作为种子样本的数据点,并对该数据点分配符合其样本特性的采样权重。具体地,对多数类数据集运用K-means方法划分成多个簇并确定簇心,再根据每个少数类数据点到多数类各簇心的平均距离以及相关密度信息选出疑似种子样本,然后基于每个疑似种子样本的分布特征为其添加一个噪声筛选过程,以此找到真正有效的种子样本,紧接着通过分析每个种子样本的领域分布特点来计算出该样本的危险程度,并进一步确定出它的采样权重。区别于传统过采样策略对每个种子样本都找相同数目的近邻实例去插值,本文则是在它的基础上又对每个近邻样本进行了分析,其目的是想通过种子样本与近邻实例间的距离和近邻实例所在类的密度信息为其找到有效的近邻实例。仿真结果显示,本文改进采样策略在多个评价标准上均优于其它过采样策略。