Python 当只有一部分培训/测试数据生成可靠的预测时，该怎么办？

我有一个关于机器学习的一般性问题，可以应用于任何算法。假设我有一个特别的问题，让我们说足球队输赢预测。我选择的特征是每个玩家在比赛前的睡眠时间，新闻报道中的情绪分析等等

在这种情况下，有一种模式或相关性（只有机器学习算法才能发现）只发生在5%左右的时间。但是当它发生的时候，它对即将到来的比赛是非常有预测性的

如何设置机器学习算法来处理这样的情况，即它能够将大多数样本作为噪声丢弃。例如，考虑二元支持向量机。如果有一种方法可以丢弃大多数“嘈杂”样本，那么过度拟合就会少很多，因为超平面不必消除这些样本中的误差

在这种情况下，正则化会有所帮助，但由于预测信息的百分比非常低，我们有没有办法对算法进行编码，在训练中丢弃这些样本，并拒绝预测某些测试数据样本

我也读过置信区间，但它们对我来说更像是一种分析工具，而不是用于算法的东西

我在想，使用另一个使用相同特性的ml算法来决定哪些测试样本是保留的可能是一个好主意

如能以任何机器学习算法（如svm、神经网络、随机森林）为例给出任何答案，将不胜感激。任何关于去哪里找的建议都会很好（谷歌通常是我的朋友，但这次不是）。请让我知道我是否能把这个问题改得更好。谢谢