分类问题是数据挖掘领域的重要研究内容之一。分类是通过分析给出的数据集构造分类模型,利用分类模型对已知类别的样本进行分类的一种技术。现有的一些分类方法对平衡数据进行分类,一般都能取得较好的分类性能。然而对于现实世界中存在的非平衡的数据,传统的分类算法在处理非平衡数据分类问题时会倾向于多数类,而导致少数类的分类精度较低,因而研究用于处理非平衡数据集的分类方法显得相当重要。针对不同类型数据的分类,本文提出了一种有效调节平衡数据与非平衡数据分类准确率的基于模糊规则的分类算法。将Chi et al规则生成算法与模糊分类推理模型相结合进行分类算法设计。引入加权系数和样本分布函数对模糊规则权重的计算方法进行改进,既使得样本类内匹配度得到均匀分布,又加强了类间的对比度,起到了削弱类内差距和增强类间差异的作用。通过加权系数调节规则权重,提高分类准确率。特别地,利用SMOTE算法对非平衡数据进行预处理,使得处理后的数据集少数类和多数类的样本在数量上达到了大致的平衡,在此基础上应用提出的分类算法对非平衡数据进行分类。然后,将平衡的和具有不同非平衡度的UCI数据集进行Matlab仿真实验,验证该分类算法的可靠性。最后,将得到的实验数据与已有的分类算法的数据分类准确率进行比较,结果表明该算法优于其他算法,具有较高的分类准确率。