随着经济及科技的发展,当今处于信息爆炸的时代,大数据处处存在,其中分类数据尤为常见。在分类数据中,以往的方法大都关注平衡数据的分类问题,其中有线性判别分析、二次判别分析、支持向量机、Logistic模型及boosting等。这些分类方法都是基于不同类别样本数平衡的前提假设下进行训练学习,对于不平衡分类,其整体的较高预测准确度往往归功于多数类的精度,而忽略了少数类的分类精确度。因此,传统的分类方法不能直接应用来处理不平衡数据。本文针对不平衡二分类问题,基于Logistic模型,从算法和数据采样两个层面来提出改进的Logistic分类方法,以此来达到提高少数类分类准确率的目的。普通Logistic分类通常选择α=0.5作为阈值,为了处理不平衡数据,本文提出对阀值α进行自适应的选择以达到提升少数类分类准确率的目的。数据采样层面的想法是对多数类进行分层采样,再应用Logistic方法、随机森林、支持向量机、神经网络等机器学习方法对生成新的近似平衡的子集数据进行分类。最后,应用本文所建议的方法来分析信用卡违约数据,实际数据结果证实本文所提的方法能够有效的提高不平衡数据的分类性能。