我正在对红酒的数据库进行分类，我正在使用诸如固定酸度、挥发性酸度、柠檬酸、残糖、氯化物、游离二氧化硫、总二氧化硫、密度、pH、硫酸盐、酒精等列来预测葡萄酒的质量（一些葡萄酒专家从 1 到 10 分）。 我使用诸如 DecisionTreeClassifier、GaussianNB、KNeighborsClassifier、SVM 或 RandomForestClassifier 之类的分类，但准确率始终约为 60%。 当我检查混淆矩阵时，我可以看到大多数预测是 5-6 个质量点，而我的数据库通常是变量。当预测不正确或更平衡我的数据库时，我如何通过惩罚更多来提高我的准确性？ 我是分类问题的初学者，因此欢迎任何帮助。 数据库：https://www.kaggle.com/uciml/red-wine-quality-cortez-et-al-2009 混淆矩阵：confusion matix
X=wino[[ 'alcohol','volatile acidity','citric acid','sulphates', 'total sulfur dioxide']].values
Y=wino['quality'].values
X_train, X_test, y_train, y_test = train_test_split( X, Y, test_size=0.3, random_state=42)
dtc=DecisionTreeClassifier()
drzewa=dtc.fit(X_train,y_train)
dtc.score(X_test, y_test)
plot_confusion_matrix(dtc,X_test, y_test,values_format='')