随着大数据时代的到来,数据规模急剧扩增且类型错综复杂,人们获得的数据大部分是在不同类别上的数目比例相差悬殊的不平衡数据。不平衡数据中少数类样本的信息被大部分多数类样本数据所淹没,导致其被大量误分,进而会降低分类算法预测能力,因此研究有效的方法提高少数类的识别率十分必要。目前,不平衡数据的预处理方法主要有重采样和特征选择。在重采样方法中,Borderline-SMOTE过采样方法通过对边界上的少数类样本进行线性插值来强化边界,但是该方法极有可能生成噪声样本,模糊正负类的边界,在特征选择方法中,过滤式特征选择筛选出来的特征子集仍然存在一些冗余特征,封装式特征选择对于关键特征的识别十分有利,但在速度上要比过滤式方法慢。针对上述方法的局限性,本文主要研究内容如下:针对传统过采样方法容易生成噪声样本,会使得样本正负类边界模糊的问题,本文提出基于聚类的过采样方法。该方法首先识别出数据集中的少数类边界样本集,然后对该部分样本聚类,把过采样区域限制在边界样本集的每个簇集内。同时根据每个簇集周围各个类别的样本个数设置不同的采样倍率,精细化地分配新生成的样本数量,在每个簇集中按照采样倍率进行过采样。通过在6个具有不同不平衡度的数据集上与其它方法进行对比分析,实验结果表明本文提出的基于聚类的过采样方法优于之前研究中的其他过采样方法。针对过滤式特征选择方法忽略与分类算法的交互作用,经过筛选后仍然存在冗余特征的问题,本文有效地结合过滤式和封装式的优点,提出混合特征选择方法。该方法首先采用三种不同过滤式方法对特征重要性进行降序排序,然后引入封装式思想,将分类算法准确率作为评价函数,使用序列前向搜索策略搜索最优特征子集,最后利用简单投票方法确定最终预测结果。通过在6个具有不同特征个数的数据集上与其它特征选择方法进行对比分析,实验结果表明本文中的混合特征选择方法能够有效提高模型性能。针对乳腺癌诊断预测中的不平衡数据问题,采用本文中所提出的基于聚类的过采样方法对乳腺癌数据做平衡化处理,接着用混合特征选择方法做进一步的特征优化。实验结果表明采用本文中的改进方法提高了乳腺癌诊断的预测准确率,证实了本文方法的有效性。