关于第一个（和第二个）问题：通过迭代训练模型和重新加权行（基于分类错误）来减少错误分类错误的一般方法是Boosting。我想你可能会觉得这种技术很有趣。

关于第二个问题：这个问题对我来说听起来有点天真（但我可能不明白你的真实意图），因为减少错误分类错误 = 提高模型性能是数据挖掘/机器学习的挑战之一。因此，如果有一个通用的全时工作策略，我们都会被机器取代（反正比我们要早）。所以我认为是的，这里的一般方法是受过教育的反复试验。我建议这个问题，Better Classification of default in logistic regression，它可能会给你一些关于提问和模型改进的想法。

我建议玩一下，然后再回来问更具体的问题。如果没有数据和/或有关情况的其他信息，很难回答有关模型改进的一般问题。祝你好运 ！

如果您没有找到权重选项，您可以做的是自己创建相同的效果，通过增加正数的数量，例如，您可以将每个已知正数的 2 倍作为算法的输入，然后将负数保留为他们在哪里。您甚至可以将其增加 10 倍，这是一个尝试尽可能接近最佳结果的问题。

在模型选择下，选择“验证错误分类”作为模型选择标准。这将选择错误分类率最低的模型。或者使用损益矩阵并将成本函数附加到您的误报或误报。

是的，它被称为assess选项卡下的截止点。您必须运行整个程序一次以检查图表以确定您的最佳截止值（即，基于所有速率的更多真阳性或更多真阴性）。在每个模型（回归、树等）之后放置切断模块，并检查该模块的结果。然后，您可以更改用户指定的截止点值，以获得 TP/TN 的准确率或整体对称错误分类率。然后再次运行整个事情。