针对机器学习分类算法在不均衡数据分类问题中对少数类样本识别能力不足的问题，以电信客户流失场景为例，提出一种不均衡数据分类方法L-CCSmote（Lasso Constructive Covering Smote）。首先，通过套索回归（Lasso）提取流失用户特征以优化模型输入；然后，通过构造性覆盖算法（CCA）建立神经网络生成符合样本整体分布的覆盖；最后，进一步提出单样本覆盖策略、样本多样性策略和样本密度峰值策略，通过以上策略混合采样以平衡数据。选用了KEEL数据库中的13个不均衡数据集和2个脱敏电信客户数据集，分别在逻辑回归（LR）和支持向量机（SVM）分类算法上对该方法进行验证。在LR分类算法上，与SMOTE-Enn（Synthetic Minority Oversampling TEchnique Edited nearest neighbor）相比，所提方法的平均几何平均值（G-MEAN）提升了2.32%；在SVM分类算法上，与Borderline-SMOTE（Borderline Synthetic Minority Oversampling Technique Edited）相比，所提方法的平均G-MEAN提升了2.44%。实验结果表明，所提方法能解决类别偏斜分布影响分类的问题，且对于稀有类的识别能力优于经典平衡数据方法。
