在许多业务应用中,非平衡数据分类问题都会频繁出现,然而这个问题仍未得到很好的解决,已有的许多研究都主要集中在分类准确度上而忽略分类概率预测值的准确度。为了解决这个问题,本文提出了一种新的线性回归算法,该算法在广义线性模型的框架下,结合广义极值(GEV)分布作为链接函数以及一种被称为校准损失的函数作为目标优化函数,形成凸优化问题,利用广义极值分布的非对称性解决非平衡数据分类问题。在实现上,该算法利用Lipschitz连续性进行了优化,使得算法的运行效率大大提升。除此之外,由于广义极值分布的形状参数对建模精度有较大影响,本文专门提出了两种参数寻优方法并对其利弊进行了讨论。在实验部分,人工生成数据集证实了参数寻优方法的准确性。而在真实数据集上,本文所提算法与其余三种常用的回归算法进行了横向对比,GEV线性回归算法表现出了优异的分类性能以及准确的分类概率预测。另外,三种最优化方法的对比实验也证实了本文所提算法在运行效率上有很大的提升。