非平衡数据集的分类问题是机器学习领域重要的研究课题。一般地,少数类样本在数量上比多数类样本少且空间分布不均匀,但信息价值却高于多数类。为此,在处理非平衡数据集的分类问题时,已有的分类算法是基于样本空间分布均匀的前提下平衡数据集,导致少数类样本更易错分。因此,有效地处理非平衡数据集的分类问题是信息化时代的热点问题。虽然现有算法在类别样本数量上做到平衡的基础上也考虑了数据集的空间分布特点,但并无考虑到数据集本身的统计特征;同时,在生成新样本时基本采用随机生成法,导致新生成的样本质量较差,从而降低了少数类的分类精度。针对这两个问题,本文从数据统计特征和提高新样本的质量两个角度对非平衡数据集进行研究,提出了概率增强算法和均值翻转算法,并验证了两种算法分类的有效性。本文的主要研究内容如下:(1)概率增强算法:该算法先利用GMM获取高斯型少数类数据集,并通过EM算法获得了少数类数据集的概率密度函数;然后,根据高概率密度的样本优先生成新样本的性质,对少数类进行过采样,从而平衡数据集。为了提高新生成样本的质量,本文设计了新的计算方法来避免新样本出现交叉或者重叠的现象;最后,C4.5决策树被用来对平衡后的数据集进行训练,使模型得到更好的分类效果。通过在UCI和KEEL数据库上的数据集将概率增强算法与“SMOTE家族”,ADASYN算法进行实验对比,实验结果显示了新算法在分类性能上的有效性。(2)均值翻转算法:该算法亦先通过GMM-EM获取少数类样本的概率密度函数;然后,依概率密度函数均值非对称分布的现象,将少数类划为左缺失数据和右缺失数据,并由概率密度均值对称性原理生成新的少数类样本,并使用3σ原则筛选新样本,从而使类别达到平衡。如果类别仍未达到平衡,可利用概率增强算法再平衡;最后,将平衡后的数据集使用C4.5决策树进行训练,使模型得到更好的分类效果。从UCI和KEEL数据库上的数据集将均值翻转算法与“SMOTE家族”,ADASYN算法进行实验对比,实验结果显示了新算法在分类性能上的有效性。