是的，这是有问题的。如果你对少数人进行过采样，你就有过拟合的风险。如果您对大多数人的抽样不足，您可能会丢失多数人类别的某些方面。顺便说一句，分层抽样相当于分配非均匀错误分类成本。

备择方案：

（1）独立地从多数类中抽取几个子集，并通过将每个子集与所有少数类数据组合来制作多个分类器，如@Debasis 的答案中所建议并在此EasyEnsemble 论文中描述，

(2) SMOTE（Synthetic Minority Oversampling Technique）或SMOTEBoost，（将 SMOTE 与 boosting 相结合）通过在特征空间中创建最近邻来创建少数类的合成实例。SMOTE在 R 中的 DMwR 包中实现。

我建议对更平衡的数据子集进行培训。在具有相似数量的负样本的随机选择的正样本集上训练随机森林。特别是如果判别特征表现出很大的差异，这将是相当有效的，并且可以避免过度拟合。然而，在分层中找到平衡很重要，因为无论如何过度拟合都会成为一个问题。我建议查看模型如何处理整个数据集，然后逐渐增加正样本与负样本的比率接近偶数比率，并选择在某些代表性的保留数据上最大化您的性能指标的那个。

这篇论文似乎相当相关http://statistics.berkeley.edu/sites/default/files/tech-reports/666.pdf它谈到了一个weighted Random Forest更严重地惩罚少数类错误分类的问题。

解决这种不平衡的一种快速、简单且通常有效的方法是对较大的类（在您的情况下是负类）进行随机子采样，使用两个类的成员（一个完整的，另一个次采样）并报告平均度量值，平均值是在 N（例如 1000）次迭代中计算的。

更有条理的方法是执行映射收敛 (MC) 算法，该算法涉及在 OSVM 或 SVDD 等一类分类器的帮助下识别强负样本的子集，然后在集合上迭代地执行二进制分类强负样本和正样本。更多关于 MC 算法的细节可以在这篇论文中找到。

如上所述，最好的方法是对多数类重复采样 N 次（无放回采样），并且每次负类的大小应等于正类的大小。现在，可以训练 N 个不同的分类器，并且可以使用平均值对其进行评估。

另一种方法是使用自举技术。这可能会引入过拟合，但值得尝试，然后如果需要可以对模型进行正则化以避免过拟合。