错误分类成本通常可以通过类权重来处理，就像不平衡类一样。这意味着如果一个类的误分类成本较高，则该类的元素在进行预测时将更具影响力。

对于决策树和随机森林，Breiman 在这篇论文中已经证明了这一点，我想说的是把你问题的第 1 点和第 2 点放在一起。

事实上，加权随机森林使用加权版本的基尼系数来进行分割。这意味着当每个类的元素的加权和相等时，基尼系数将最大（通常，当元素在类内均匀分布时，基尼系数最大）（1）。同时，这也意味着考虑一个节点的多数类时使用的阈值不会是 0.5，而是来自于类权重的比率。最后，这也适用于预测（2），因为阈值将被权重修改。

不幸的是，直到今天我还不知道使用这种方法的任何主要统计包，因为类权重通常用于类的过采样/欠采样，这对于不平衡类更具体。

最后，当您的类别和/或成本不平衡时，始终建议使用 ROC 分数，以便您可以调整阈值以平衡分类器的结果。