随着机器学习相关技术的进步,各领域都积极地将这些技术应用到其生产经营的过程中。然而,大多数原始数据中的样本分布是不均衡的,若是使用标准的机器学习算法对不平衡数据集进行分类,会导致最终分类结果产生偏差。因此,人们针对该问题提出了一系列不平衡学习的相关技术。本文在已有不平衡学习技术的基础上,面向小样本量数据的不平衡分类问题提出了基于样本合成的偏差随机森林算法KS-BRAF和基于粒子群优化的KS-BRAF算法(KS-BRAF(PSO)),并将其应用于不平衡的医学诊断数据集的分类任务中。本文首先对原始偏差随机森林算法(Biased Random Forest,BRAF)中在合成关键区域的方法上进行了初步改进。提出的KS-BRAF算法中采用了 K-means SMOTE算法对样本进行合成,该方法既避免了生成的训练数据集信息丢失又有效减少了噪声的生成,从而提高了模型的分类效果。该算法与相关算法在KEEL公开数据集上进行的对比实验结果表明KS-BRAF算法在提高对少数类分类效果的同时又保证了较高的分类精度。随后,为了使KS-BRAF算法的分类性能更加稳定,本文提出了基于粒子群优化的KS-BRAF算法,简称KS-BRAF(PSO)算法。该算法在原始KS-BRAF算法的基础上,通过将K-means SMOTE算法与随机欠采样相结合,并采用粒子群优化算法对过采样与欠采样的样本比例分别进行优化,通过迭代使生成的关键区域数据的分布达到相对最优状态,从而提升算法的分类性能,且文中的大量实验结果也对优化后算法的分类性能进行了验证。最后,本文将KS-BRAF(PSO)算法应用到公开的宫颈癌数据集的分类预测任务中,并与已有研究中用于该数据集分类预测的算法进行对比实验,验证了该算法在该不平衡医学数据集上的分类任务中具有较好的性能,在医学诊断方面能够起到一定的辅助作用。