利用机器学习的方法对基因表达数据进行分类,可以有效的对癌症等疾病进行早期识别诊断,对人类健康水平的提高有十分重要的意义。决策树算法及相关的集成算法由于容易理解,结构简单等特性而被广泛的应用。但由于基因表达数据分布不平衡的特点,传统的分类算法在基因表达数据分类方面的表现还有待提高。代价敏感算法可以有效地弥补传统分类器只注重分类精度的片面性。同时,代价敏感算法本身由于缺乏适当的评价标准与合理的参数确定方法,同样需要进一步优化提高。针对上述问题,本文进行了以下研究:(1)基于旋转森林算法在处理基因表达数据分类时的优势,提出了一种针对基因表达数据分类的代价敏感旋转森林算法。通过将误分类代价、测试代价和拒识代价嵌入旋转森林算法中,构造代价敏感旋转森林算法。实验结果表明,代价敏感旋转森林算法可以在保证分类精度的基础上有效地降低分类代价。(2)结合几种常用的评价指标,提出一种针对代价敏感算法的分类精度计算方法,以平衡精度替换总体精度来有效的评定代价敏感算法的分类性能。相比于传统的总体精度,平衡精度不会忽略小类样本的贡献。通过代价敏感超限学习机对基因表达数据进行分类对比实验,结果表明平衡精度可以更为客观、合理的表示代价敏感算法的分类性能。(3)以改进的平衡精度作为评价标准,通过自适应算法得到不同权值下的分类精度,最终拟合得到可以使分类精度达到最优的代价权值确定函数。并在基因表达数据集上进行验证,证明通过该函数获得的代价权值对不同类型的数据集具有普遍适应性。通过以上研究,解决了代价敏感算法在面对基因表达数据分类时产生的代价参数确定问题,根据分类样本的特性对代价权值进行调整,可以有效地提高代价敏感算法的分类性能。