真实世界中存在大量的类别不平衡分类问题，传统的机器学习算法如AdaBoost算法，关注的是分类器的整体性能，而没有给予小类更多的关注。因此针对类别不平衡学习算法的研究是机器学习的一个重要方向。AsymBoost作为AdaBoost的一种改进算法，用于类别不平衡学习时，牺牲大类样本的识别精度来提高小类样本的分类性能。AsymBoost算法依然可能遭遇样本权重过大造成的过适应问题。据此提出了一种新型的AdaBoost改进算法。该方法通过对大类中分类困难样本的权重和标签进行处理，使分类器能够同时获得较好的查准率和查全率。实验结果表明，该方法可以有效提高在不平衡数据集上的分类性能。
