在实际生活中总会遇到大量的不平衡数据问题,但是这类数据集的分类效果往往不太理想。如何能够提高不平衡数据集的分类效果是学者们的研究热门。本文对不平衡数据集的分类算法做了研究,首先,介绍了几种单分类器和几种集成学习分类器的算法思想及流程。其次,介绍并分析了SMOTE算法的优缺点。作为经典的过采样算法,SMOTE算法能有效地避免数据过拟合问题,从而提高模型的泛化能力。但SMOTE算法没有考虑到数据的分布情况以及多数类对少数类的影响,而且也没有考虑到样本点的特异性。现有的一些改进算法从某些方面对SMOTE算法进行了改进,一定程度上提高了分类效率,但也存在一些其它问题。本文详细分析了SMOTE及其改进算法的优劣,为了进一步提高不平衡数据集的分类效果,提出了一种基于欧氏距离比的DC-SMOTE算法。DC-SMOTE算法不仅能避免过拟合问题,而且着重考虑了数据样本点的分布情况,针对处在不同位置的样本点赋予不同的系数取值,从而特异性地进行插值操作。相比于SMOTE算法,本算法提高了合成的新样本点的质量,在一定程度上改善了SMOTE算法的劣势。最后,本文选用了UCI的5个不平衡数据集和公司项目的经纪人模型真实数据集进行了实验,选用了4种经典单分类器算法和4种经典集成学习算法对SMOTE、Borderline-SMOTE、Kmeans-SMOTE以及DC-SMOTE算法进行对比实验,分别从F值、G-mean、AUC值等指标进行分析。实验证明本文提出的DC-SMOTE算法能有效地提高分类算法模型的分类能力,具有有效性。同时,将算法应用于公司经纪人模型项目,分类也达到了不错的效果,并最终在公司成功上线,这也证明了本文的研究具有较高的研究意义和实用价值。