标准极端支持向量机是基于极端学习机和支持向量机的理论基础提出来的，具有较快的学习速度，但是标准的极端支持向量机并没有考虑到数据集中样本点的分布情况，对所有样本点的误差项给予了相同的惩罚因子，这样会使得分类器的分类效果极易受到噪声、野值数据及不平衡数据的干扰。　　针对这个问题，文中对加权的极端支持向量机进行了研究，主要包括以下两个方面：　　1．噪音点、野值点一直困扰着分类器的分类精度。论文基于每个样本点到本类样本类中心距离的不同，给予每个样本不同的权重。与此同时，文中还考虑到了样本的k近邻问题，对于密度比较大的样本，给予较大的权重。反之，给予较小的权重。从而降低极端支持向量机对噪音点的敏感度。　　2．数据分布不平很衡问题，一直是数据挖掘中的热点问题之一。标准的极端支持向量机并没有考虑到这个问题，论文利用样本的分布信息来决定权重，从而使分类器能够适应于不平衡的数据集。首先利用样本的类中心直接确定出超平面的初步法向量；然后基于数据集在这个法向量的投影信息确定出不同类别样本的权重；最后用加权的极端支持向量机来得到最终的分类超平面。　　论文还将改进的极端支持向量机和标准的极端支持向量机在UCI数据集上进行分类性能的验证，实验表明后者具有更好的分类精度和泛化能力。