Los datos desequilibrados existen en muchos problemas de clasificación. La clasificación de datos desequilibrados presenta desafíos notables en el aprendizaje automático. La máquina de vectores de soporte (SVM) y sus variantes son populares en el aprendizaje automático entre diferentes clasificadores gracias a su flexibilidad e interpretabilidad. Sin embargo, el rendimiento de las SVM se ve afectado cuando los datos están desequilibrados, lo cual es una estructura de datos típica en el problema de clasificación multi-categoría. En este documento, empleamos la SVM adaptativa a los datos con funciones de kernel escaladas para clasificar instancias de una población multi-clase. Proponemos una función de kernel dependiente de los datos para la SVM considerando el desequilibrio de clases y la asociación espacial entre instancias para mejorar la precisión de la clasificación. Los estudios de simulación demuestran el excelente rendimiento del método propuesto, y se emplea un conjunto de datos de imágenes de cáncer de próstata multi-clase reales como ilustración. El método propuesto no solo supera a los métodos competidores en términos de las medidas de precisión comúnmente utilizadas como el puntaje F1 y los -means, sino que también detecta con éxito más del 60% de las instancias de la clase rara en los datos reales, mientras que los competidores solo pueden detectar menos del 20% de las instancias de la clase rara. El método propuesto beneficiará a otros campos de investigación científica, como la detección de límites de múltiples regiones.