随着科技的飞跃,数据已经成为现代社会中的各个领域和各种行业的重要生产因素。采用数据驱动的方法,对收集到的某个问题的数据集进行分类判别,可以有效处理这些数据,挖掘其潜在的信息。传统的分类判别方法需要提前假设研究问题的数据集服从高斯分布,而在实际生活中这往往是没法得到满足的。本文采用最小最大概率机(MPM)解决该问题,并针对该方法的不足提出改进办法。原始的最小最大概率机用到了样本的所有特征来计算目标函数,并没有考虑到样本特征的重要度对最终分类结果的影响,即并不是所有的样本特征都与最终的分类结果强相关。因此,本文使用三种特征加权方法来度量研究的数据集中各个特征的重要度,计算出特征权重矩阵。然后将特征矩阵与原始最小最大概率机进行结合,建立特征加权最小最大概率机模型来进行分类判别研究。为了考察我们提出的方法的有效性,本文使用原始的最小最大概率机,三种特征加权最小最大概率机(FWMPM),以及传统分类判别分析中的k近邻,朴素贝叶斯,Logistic回归,支持向量机,决策树八种方法,在“威斯康星乳腺癌诊断”(Breast Cancer Wisconsin Diagnostic)数据集上进行实证分析。通过对比这八种方法的分类结果准确度,我们发现基于信息增益法的FWMPM的平均准确度最高,达到了97.2%,可以得出:本文提出的特征加权最小最大概率机方法在特定的数据集上取得了一定的效果,该方法针对现实生活中的数据集,有一定的适用性。