不平衡資料分類是在許多實際上的應用中常見的問題。當其中一個種類的實例數量遠少於另一種類時，便可能導致訓練模型出現偏差，對於預測少數類別的結果會相對較差。在過去提出各種技 術來解決這個問題，例如針對多數類進行減少的欠採樣(Under-sampling)方法，還有對少數類進行過採樣(Over-sampling)的方法。

    研究中提出的方法使用公開資料集KEEL來進行測試並與其他幾種較為常見的採樣方法進行比較，其中會以 F1、G-MEAN 等幾種評估分數來測試，測試為在資料集中隨機提取24種類別並分開運行，而使用啟發式最佳化演算法混合採樣的好處就是，在取得最佳成結果之前需要人為處理的部分會減輕，只須設定好初始參數就行，不需要不斷手動調整以達最佳成果。