正确答案是：**B: Borderline-SMOTE**

### 专业分析

#### A: EasyEnsemble
- **描述**：EasyEnsemble是一种集成方法，主要用于不平衡数据集。它通过随机下采样多数类来创建多个不同的子数据集，然后对每个子数据集训练一个分类器，最终集成这些分类器的结果。
- **结论**：这是一种下采样的方法，不是过采样。

#### B: Borderline-SMOTE
- **描述**：Borderline-SMOTE是一种过采样方法，是SMOTE（Synthetic Minority Over-sampling Technique）的变体。它通过生成新的合成实例来扩展少数类，特别是在决策边界附近，以改善分类器的性能。
- **结论**：这是过采样算法的典型代表。

#### C: AdaCost
- **描述**：AdaCost是一种加权的Boosting算法，属于代价敏感学习方法。它调整了AdaBoost算法的权重更新规则，以减少对少数类的误分类。
- **结论**：这是一种代价敏感的学习方法，不属于过采样。

#### D: BalanceCascade
- **描述**：BalanceCascade是一种集成方法，结合了多数类样本的逐步剔除与Boosting方法。通过训练多个分类器的方式达到平衡样本的作用。
- **结论**：这是一种集成和下采样的方法，不是过采样。

### 结论
**Borderline-SMOTE**是选项中唯一的过采样算法。它通过在少数类样本周围生成新的合成样本，特别是在边界附近，来改善不平衡数据集的分类性能。