1.非均匀大数据的分类方法，包括下述步骤：

(1)获得大数据各类实例的数目mi,i=1,2,…,M；

(2)采用降抽样方法为每个类mi抽样出Di数据集；

(3)对每个数据集构建一个元分类器；

(4)对每个类mi的Di个分类器进行集成学习；

(5)测试：对每一个实例，在每个类mi中进行分类，得到的M个结果中准确率最高的类为测试实例的类别。

2.根据权利要求1的方法，所述步骤（2）的每个数据集的数据量ni由 确定，其中ta/2表示置信度的值，通过t分布临界值获得，e表示设定的最大的允许误差。

3.根据权利要求1或2的方法，所述步骤（2）的具体过程如下：A.当前类当成A类，其他类统一称为非A类；接着，分析A类和非A类的数量级别；记#(A),#(～A),#(R),#(T)分别为A类，非A类，计算机内存和理论要求的样本量的数据，如果(#(A)>>#(R))&&(#(A)>#(T))，则从A类中抽取与非A类差不多的实例；如果(#(～A)>>#(R))&&(#(～A)>#(T))，则从非A类中抽取与A类差不多的实例；

B.重复上述过程，直至每个类mi抽样出Di，并固定Di=n；

C.整个数据集生成D=M*n个子数据集。

4.根据权利要求1的方法，在步骤（3），对每个类mi的Di个数据集构建Di个元分类器的方法选自：二类分类法、最近邻算法、决策树法、神经网络法或森林树法。

5.根据权利要求1或4的方法，在步骤（3），对每个类mi的Di个数据集构建Di个元分类器的方法选用：二类分类法。

6.根据权利要求1的方法，在步骤（4），采取向前贪婪集成分类结果方法对每个类mi的Di个元分类器进行集成学习，得到一个集成分类器。

7.根据权利要求1或6的方法，在步骤（4），采取向前贪婪集成分类结果方法的具体过程如下：D.构建候选分类器集合CCS={C1,…,CM}和选定的分类器集合SCS={}；

E.对每个分类器Ci，选取准确率最好的分类器，把它从CCS去掉而加入SCS中；

F.把当前每个CCS中的分类器Cj加入SCS中验证，分类结果如果超过用户事先指定的阈值，则跳到E，且把Cj从CCS移到SCS，否则跳到步骤（5）；

G.重复F，直到CCS为空集，

至此，对M个类，一共建立了M个集成分类器Ci,i=1,…，M，每个集成分类器包含n个元分类器。