随着移动互联网技术的兴起,越来越多的原始数据被收集起来用于分析与挖掘,其中很多领域内的数据是严重不平衡的,既属于不同类别的样本数量相差极为悬殊。传统的机器学习方法通常采用全局分类准确率作为训练目标,在不平衡数据集上表现欠佳,所以不平衡数据分类算法也逐渐成为一个受人关注的课题。目前主要的不平衡数据集分类方法分为两种,分别是数据重采样法以及集成学习方法,他们的主要思路是通过改变原始数据集中样本的权重或者比例来使原始数据达到一种“平衡”状态,从而适用于传统的分类算法,这类算法的结果与数据分布情况相关密切,往往需要一个复杂的调节过程才能得到一个较好的结果而且泛化能力不是很强。所以本文提出一种直接以F1值为训练目标的算法来解决不平衡数据集分类问题,并取得了不错的效果。本文首先介绍了不平衡数据分类中存在的难点和主要问题所在,以及不平衡数据分类的评价标准;然后简述了现有的经典不平衡分类算法,并从问题入手分析他们的主要思想,以及他们的优缺点;接着本文根据前面提到的思想与难点,提出了一种直接以不平衡样本分类评价标准为最终训练目标的分类思路,通过采用不平衡数据集分类标准中十分经典的F1值构造一个可优化的函数作为训练目标进行训练,并且保证该函数与分类器参数具有直接数学关系,进而采用了整体数据集优化分类器的思路,使用神经网络模型,反向传播算法来使目标函数迅速收敛于一个最优解以达到不平衡样本训练的目的;最后通过与其他算法进行对比试验来证明了此算法的有效性。