【摘要】在数据分类分析中，一些特别的类别里往往存在更重要的信息。提出一种基于集成学习，欠采样和代价敏感的类别不平衡数据分类算法（USCensemble），来解决传统算法处理类别不平衡数据分类任务时难以正确识别少数类样本的问题。该算法首先运用 EasyEnsemble 的算法结构，在前一组数据训练完毕后，运用欠采样方法选取权重大的多数类样本，并将其与少数类样本结合为临时训练数据以此平衡数据集并进行下一轮训练。同时赋予少数类样本更大的错分代价，快速提高错误分类的少数类的样本权重，降低多数类的样本权重，使算法更倾向少数类的正确分类，达到对少数类样本正确识别的目的。在 10 个 u c i 的数据集生成的分类任务上进行了对比实验，实验结果表明，该算法能更好地识别少数类样本。