不平衡分类问题是实际生活中的一种常见问题,例如疾病诊断、金融欺诈监测等。而大多数算法在处理分类问题时都会有一个前提假设,即数据分布是均衡的,这就造成了在对不平衡数据进行分类时,由于多数类样本的过度表现,算法在识别少数类样本时有将其识别为噪声的可能,因而会在不同程度上出现少数类样本的识别度下降的情况。而当我们无法获得更多的少数类样本时,可以考虑在抽样层面对不平衡数据进行改善,或是采用集成学习法着重对错误分类实例的预测。本文主要采用的RUSBoost算法,融合了欠采样和集成学习法,在样本容量较大时,欠采样能够充分体现它的优势,在平衡数据集的同时也提高了算法的运行速度。在实证分析阶段,本文选用的数据来自波兰制造行业的破产公司及健康公司的财务数据,自变量为64个财务比率,评估指标为AUC,sensitivity和G-mean。首先将RUSBoost的运行结果和AdaBoost的结果做了大量的对比实验。之后运用十折交叉验证法选择RUSBoost的欠采样比例参数和循环次数的一个合理的最优值。最后将确定的最优参数值代入算法对财务数据进行分类,均得到了较好的分类结果。