针对传统单个分类器在不平衡数据上分类效果有限的问题，基于对抗生成网络（GAN）和集成学习方法，提出一种新的针对二类不平衡数据集的分类方法——对抗生成网络-自适应增强-决策树（GAN-AdaBoost-DT）算法。首先，利用GAN训练得到生成模型，生成模型生成少数类样本，降低数据的不平衡性；其次，将生成的少数类样本代入自适应增强（AdaBoost）模型框架，更改权重，改进AdaBoost模型，提升以决策树（DT）为基分类器的AdaBoost模型的分类性能。使用受测者工作特征曲线下面积（AUC）作为分类评价指标，在信用卡诈骗数据集上的实验分析表明，该算法与合成少数类样本集成学习相比，准确率提高了4.5%，受测者工作特征曲线下面积提高了6.5%；对比改进的合成少数类样本集成学习，准确率提高了4.9%，AUC值提高了5.9%；对比随机欠采样集成学习，准确率提高了4.5%，受测者工作特征曲线下面积提高了5.4%。在UCI和KEEL的其他数据集上的实验结果表明，该算法在不平衡二分类问题上能提高总体的准确率，优化分类器性能。

随着大数据时代的到来，网络舆情数据呈现信息量大和领域覆盖广等特征。面对复杂的网络舆情数据时，传统单一模型预测能力有限，不能对舆情趋势进行有效预测。针对此问题，提出一种基于经验模态分解-自回归（EMD-AR）改进的组合模型——EMD-ARXG模型，应用于复杂网络舆情的预测。该模型利用经验模态分解算法对时间序列进行分解，然后通过自回归模型对分解后的时间序列进行各自趋势拟合，建立子模型。最后再对各个子模型进行重构，完成建模。另外，在利用自回归（AR）模型拟合过程中，为了减少拟合误差，采用极限梯度提升算法对残差进行学习，并使预测模型迭代更新，提高各个子模型预测精度。为验证EMD-ARXG模型的预测效果，该模型与小波神经网络模型和基于经验模态分解的神经网络模型进行实验对比。实验结果表明，在均方根误差（RMSE）、平均绝对百分误差（MAPE）和希尔不等系数（TIC）三项指标上，EMD-ARXG模型获得的结果均优于小波神经网络模型和基于经验模态分解的神经网络模型的结果。