在机器学习领域中,基于训练样本实例建立模型可用于数据预测和解释,但其有效性、精准性受到数据不平衡等因素影响,会出现分类面偏倚的现象,从而降低模型的分类性能,为此提出了两种基于Isolation Forest(iForest)的采样算法:iForest-RM欠采样和iForest-SMOTE过采样算法。iForest-RM针对负类(多数类)样本进行欠采样均衡数据集。首先,利用iForest形成每个样本在样本空间中的分布特征评估值,进而定义其概率分布;然后,根据概率分布,按给定采样率,通过轮盘转算法在负类样本中选取样本;最后,通过K-means方法形成若干负类样本聚类中心,并以聚类中心为最终负类选取样本,实现正负类样本均衡。iForest-SMOTE针对正类(少数类)样本进行过采样均衡数据集。首先,使用iForest定义并生成所有样本的概率分布;然后,剔除最近邻为负类的正类样本,在每次SMOTE过程中随机选择正类样本p及其近邻的k个正类样本,使用轮盘转算法按照近邻样本的概率分布选择样本q;最后在p与q构成的M维球体内插值,生成足够的正类样本,实现正负类样本均衡。通过UCI数据集和地震物探相数据集在Adaboost集成学习模型上与其它采样算法进行实验对比,证实了本文算法具有更好的均衡化能力,能够有效应用在地震相岩性识别项目中。