在如今大数据时代,分类问题一直备受研究者的关注。传统研究的分类算法都是建立在数据分布均衡的基础之上,并假设各个类别错分的代价相同,但实际所接触的数据集大多数都不满足该条件,一般都是其中某一类别数据明显多于另一类别的数据,在这种情况下,传统的分类算法并不能很好的对该类样本进行分类。因此,不均衡数据集的分类问题得到越来越多研究者的关注。本文主要针对不均衡数据集的分类问题进行研究,从数据层面和算法层面进行改进,并将其运用到机票价格的分类问题中。主要从以下几个方面展开研究:首先,针对不均衡数据集分布中的类间不均衡问题,本文在已有研究的基础之上提出混合采样算法,该算法是对数据集中多数类样本与少数类样本分别采取不同的算法处理方式,对其中少数类样本采取过采样算法进行抽样,对其中的多数类样本采取欠采样的抽样算法,从局部和全局两个角度同时改善原始数据集的均衡性,使新的数据集更加接近原始数据的分布,之后将新的数据集带入神经网络模型中进行预测分析。其次,针对算法层面本文提出了重采样技术与XGBoost算法相结合的改进XGBoost算法。首先对数据集进行Easy Ensemble处理得到较为均衡的数据集,之后带入XGBoost模型中进行预测分析。最后,选择F值与召回率作为评价指标对两种算法进行评价,根据指标结果分析得到,相比较而言选择性混合抽样基础之上的神经网络模型对于不均衡数据集中少数类样本的预测效果更好。