您可以将样本权重参数传递给随机森林拟合方法
sample_weight : array-like, shape = [n_samples] or None
样品重量。如果为None，则对样本进行平均加权。在每个节点中搜索拆分时，将忽略创建净净值为零或负权重的子节点的拆分。在分类的情况下，如果拆分会导致任何单个类在任一子节点中都具有负权重，则也将忽略拆分。
在较旧的版本中，存在一种
preprocessing.balance_weights为给定样本生成平衡权重的方法，以使类别变得均匀分布。它仍然存在，在内部但仍可用的preprocessing._weights模块中，但已不建议使用，并将在以后的版本中删除。不知道确切的原因。
更新资料
有些澄清，您似乎很困惑。
sample_weight一旦记住它的目的是平衡训练数据集中的目标类别，用法就很简单。也就是说，如果您具有
X作为观测值和
y作为类（标签），则
len(X)== len(y) == len(sample_wight)和
sample witght1维数组的每个元素代表对应对的权重
(observation,label)。对于您的情况，如果将
1类表示为
0类的5次，并且平衡类分布，则可以使用简单
sample_weight = np.array([5 if i == 0 else 1 for i in y])
分配
5所有
0实例的权重和
1所有
1实例的权重。请参阅上面的链接以获取更多巧妙的
balance_weights权重评估功能。
