支持向量机(SVM)是以统计学习理论为基础发展的一种机器学习算法,在分类问题中具有非常好的效果。但是当数据不平衡时,为了确保整体分类错误最小,分离超平面会向少类样本倾斜,从而SVM算法将无法得到满意的结果。本文基于SVM主要取决于少量边界的支持向量这一特点,通过对已有的经典算法的不足进行分析。提出了本文的改进方法:BOSMOTE,该方法步骤如下:(1)选取支持向量。对除噪后的数据运用代价敏感的SVM训练得出支持向量;(2)边界外抽样。将少类中的支持向量与其k近邻中的多类样本进行线性插值合成样本;(3)对合成的样本进行优化。向多类方向插值可能会产生噪声,因此选用粒子群算法优化选择合成的样本,从而确保抽样过程产生有效的点;(4)将合成的样本添加到数据集中进行SVM的训练,得出分类器。通过对KEEL不平衡数据库的9组公开数据集进行验证,分别以G-mean、AUC、f1为评价指标,将本文算法与经典的改进算法进行比较。结果显示,本文算法在大部分数据上的分类性能上都有较稳定的提升。在应用部分,针对现实中离职员工与未离职员工之间的类不平衡,将本文提出的改进算法应用于员工离职预警的研究。本应用所用的1100条数据来源于IBM Watson Analytics分析平台。通过对员工个人信息、职位信息以及和同事间的关系等因素建立模型。对员工未来是否会离职进行预测,并与员工真实的离职状况进行比较。从而可得本文提出的改进方法对模型性能提升具有有效性,通过比较其他改进方法的结果证明了本文方法的稳定性。