傳統(tǒng)分類器在處理不平衡數(shù)據(jù)時(shí)，往往會(huì)傾向于保證多數(shù)類的準(zhǔn)確率而犧牲少數(shù)類的準(zhǔn)確率，導(dǎo)致少數(shù)類的誤分率較高。針對(duì)這一問(wèn)題，提出一種面向二分類不平衡數(shù)據(jù)的 XGBOOST（ extreme Gradient boosting）改進(jìn)方法。其主要思想是分別從數(shù)據(jù)、特征以及算法3個(gè)層面針對(duì)不平衡數(shù)據(jù)的特點(diǎn)進(jìn)行改進(jìn)。首先在數(shù)據(jù)層面，通過(guò)條件生成式對(duì)抗網(wǎng)絡(luò)（ Conditional generative Adversarial nets，CGAN）學(xué)習(xí)少數(shù)類樣本的分布信息，訓(xùn)練生成器生成少數(shù)類補(bǔ)充樣本，調(diào)節(jié)數(shù)據(jù)的不平衡性;其次在特征層面，先利用Ⅹ Gboost進(jìn)行特征組合生成新的特征，再通過(guò)最大相關(guān)最小冗余（ minimal Redundancy- Maximal relevance，mRMR）算法篩選出更適合不平衡數(shù)據(jù)分類的特征子集;最后在算法層面，引入針對(duì)不平衡數(shù)據(jù)分類問(wèn)題的焦點(diǎn)損失函數(shù)（Focal loss）來(lái)改進(jìn) Xgboost，改進(jìn)后的 Boost通過(guò)新的數(shù)據(jù)集訓(xùn)練得到最終模型。在實(shí)驗(yàn)階段，選擇 Gmean和AUC作為評(píng)價(jià)指標(biāo)，6組KEEL數(shù)據(jù)集上的實(shí)驗(yàn)結(jié)果驗(yàn)證了所提改進(jìn)方法的可行性;同時(shí)將該方法與現(xiàn)有的4種不平衡分類模型進(jìn)行比較，實(shí)驗(yàn)結(jié)果表明所提改進(jìn)方法具有較好的分類效果。