是的，您不需要手动平衡您的火车数据。但是您的测试数据仍然可能（真正）不平衡。

对于分类问题，不仅仅是决策树，不平衡类给出过于乐观的准确度分数并不少见。有几种常见的方法来处理这个问题。

1. 重新编码您的数据。您可以对少数类进行过采样或对多数类进行欠采样。最终目标是或多或少地平衡数据。

2. 先给你的模型一个帮助通知频率。

3. 类似地，您可以传递一个权重参数。权重将惩罚分类函数对罕见的正例的错误分类。

4. 最后，您可以修改精度测量。一种常见的测量方法是使用 F1 统计量，而不仅仅是准确度。通过交叉验证最大化 F1 统计量，并查看它在测试期间是否稳定。

我还建议您将这些技术结合起来。例如，给你的模型一个先验并使用 F1 分数。我想你会在这条路上找到好的结果。