在分析这些说法时，我们需要考虑机器学习模型的基本概念，如过拟合、欠拟合以及模型复杂度对训练和测试误差的影响。以下是对各个选项的分析：

1. **“一个机器学习模型，如果在训练集上有较高准确率，就可以完全说明这个分类器是好的。”**
- 这是不正确的。高训练集准确率可能是模型过拟合的结果，意味着模型可能没有很好地泛化到未见数据（即测试集）。

2. **“如果增加模型复杂度， 那么模型的测试错误率总是会降低。”**
- 这也是不正确的。增加模型的复杂度可能会导致过拟合，从而可能增加模型的测试错误率。

3. **“如果增加模型复杂度， 那么模型的训练错误率总是会降低。”**
- 这通常是正确的。增加复杂度通常会减少训练错误率，因为更复杂的模型可以更好地拟合训练数据。

4. **“如果减少模型复杂度，那么模型的测试错误率总会提高。”**
- 这不一定是正确的。减少模型复杂度可以防止过拟合，可能提高测试集的泛化能力，从而减少测试错误率。

基于以上分析，正确答案应该是 **C: 3**，因为增加模型复杂度通常会降低训练错误率。