Нужна ли деревьям и лесам балансировка по классам?

Я тут читаю: Флах П. - Машинное обучение. Наука и искусство построения алгоритмов, которые извлекают знания из данных - 2015

там есть несколько страниц посвященных этой теме. Вот итоговая:

• Отмеченный пункт 1 говорит, что балансировка полезна.
  
  
• Но имеется и пункт 2. Из которого можно сделать вывод, что при большой выборке, когда примеров малого класса будет достаточно много, то выборка по нему станет репрезентативной. И тогда балансировка не нужна.
  
  Хотя мы и добавки будем вносить тысячами, и тогда модель тоже может измениться.
  
  А может оно и правильно. Рынок как говорят  - меняется, пусть и модель меняется.
  
  
• Но еще есть п. 3.  Но сложно узнать есть ли такая поправка в конкретной реализации дерева в выбранной для использования программе.

Примечание:

При не репрезентативных выборках, как меру нечистоты можно использовать корень индекса Джини (Флах П стр 147, 160 и 169) он же метод DKM (индекс и коэф Джини разные вещи - не путать)

https://www.kaggle.com/nigelcarpenter/r-xgboost-with-gini-eval-and-stopping тут коэф

https://www.kaggle.com/oxofff/gini-scorer-cv-gridsearch и тут коэф

Другой вариант — выравнивать по кол-ву примеров по классам.