数据的分析和应用为经济生产、生物研究、医学治疗等行业带来了信息技术改革创新的无限发展机遇,但是数据的缺失问题却为数据挖掘和建模工作带来极大的挑战和阻碍。插补缺失是最常使用的缺失处理方法,能够尽可能保留原始数据和完整的数据结构,但是当数据出现大量非随机缺失的情况,尤其是当缺失的变量对于模型建立具有重要的影响时,仅有少量的已知数据,很难插补得到与原始数据相同分布的数据集,并且无法继续使用传统机器学习算法建立有效模型。而迁移学习具有不需要数据分布完全一致便可用来训练模型的特点,其核心就是找到源域数据和目标域数据在不同分布样本之间的相似性,将源域数据中的相似性顺利迁移到目标域数据的建模中。考虑到以上情况,本文提出了一种将实例迁移学习中的Tr Ada Boost算法应用到缺失数据建模领域的研究思路,用来解决插补后数据集分布出现偏差的现象。该算法的使用过程是,首先使用缺失处理方法插补训练集中缺失的部分,将插补缺失后的训练集样本看作与原始分布不同的源域数据,训练集中没有缺失的样本看作与原始分布相同的目标域数据,待预测的测试集数据是无缺失的来自原始分布的样本。然后在源域和目标域数据组成的训练集上建立使用逻辑回归模型作为基分类器的Tr Ada Boost算法框架模型,计算过程中增加属于目标域中错分类样本的权重,减少属于源域中错分类样本的权重,使模型更多地学习源域与目标域之间的相似信息,将迭代后得到的多个基分类器预测结果根据其预测的效果进行加权,综合得到一个具有较高分类精度的强学习器。为了验证本文提出方法的成效,本研究仿真生成5维特征的二分类数据集,根据非随机缺失机制模拟单变量缺失数据,采用缺失数据处理方法插补缺失,然后在补全后的训练集上建立Tr Ada Boost算法模型、逻辑回归模型、Ada Boost模型和XGBoost模型,以及删除缺失变量的逻辑回归模型,比较不同建模方法下模型的AUC分类效果。经过仿真实验,本文发现当发生缺失率高于85%的非随机缺失时,使用Tr Ada Boost算法建立模型能取得比传统机器学习算法要更加优秀的效果。同时,本文还对变量间相关程度以及类别标签对变量缺失概率的影响进行研究,在非随机缺失率处于85%以上时,不论特征变量之间的相关性强还是弱,不论类别标签对缺失概率的影响程度的高低,实验结果都表明本文提出的基于Tr Ada Boost算法的模型AUC比传统机器学习算法的模型AUC都要高。此外,本文还发现当类别标签对缺失影响较大时,Tr Ada Boost算法的模型相比于其他算法的模型有更加明显的提升效果。