不平衡数据是指在分类问题中，各个类别的样本数量差异很大。回归树是一种用于处理回归问题的决策树算法。SMOTE（Synthetic Minority Over-sampling Technique）是一种常用的过采样方法，用于处理不平衡数据。

下面是一个包含代码示例的解决方法：

1. 不平衡数据处理：

from imblearn.over_sampling import SMOTE

# 假设X是特征矩阵，y是标签向量
# 使用SMOTE进行过采样
smote = SMOTE()
X_resampled, y_resampled = smote.fit_resample(X, y)

2. 回归树的建模：

from sklearn.tree import DecisionTreeRegressor

# 假设X是特征矩阵，y是标签向量
# 初始化回归树模型
reg_tree = DecisionTreeRegressor()
# 使用数据拟合模型
reg_tree.fit(X_resampled, y_resampled)

# 使用模型进行预测
y_pred = reg_tree.predict(X_test)

以上代码中，借助imblearn库中的SMOTE类，通过调用fit_resample方法对X和y进行过采样，生成平衡的数据集X_resampled和y_resampled。

然后，使用sklearn库中的DecisionTreeRegressor类，初始化一个回归树模型，并使用fit方法对过采样后的数据进行拟合。

最后，使用拟合好的模型进行预测，得到预测结果y_pred。

请注意，以上代码仅为示例，实际应用中可能需要根据具体问题进行调整和优化。