我正在将我的大部分神经影像编码从Matlab转移到Python，因此我正在使用Matlab中的libsvm转换为在Python中使用Scikit-learn SVM。为了确保我没有改变任何关于我的分析的实质性内容，我正在试验这两个实现，并试图看看我是否可以让它们产生相同的结果。
在Python中我正在使用：
clf = svm.SVC(kernel='linear',C=1,probability=True)
在Matlab（libsvm）我正在使用：
clf = libsvmtrain(svm_training_labels,svm_training_vectors,['-t 0 -b 1 -c 1'])
当我使用模拟数据使用这两种不同的方式运行SVM时，我得到了微妙的不同结果，即使我已经使用输入参数（线性分类器，C = 1，将SVM的所有参数固定为相同）使用概率估计），即使所有其他默认参数在这些函数中看起来都是相同的（公差= .001，默认情况下都使用缩小启发式）。有什么可能导致结果差异的想法吗？
编辑：
提及结果分歧的数量会很有帮助。
我运行的一个模拟设计非常困难 - 它为Matlab libsvm提供了40％的准确率，并且scikit-learn svm（二进制分类，机会= 50％）的准确率提高了44％。在这个模拟中，两个SVM在他们的预测中只同意了18％的时间（换句话说，他们不仅猜测低于机会，而且他们几乎总是相互猜测相比）。
其他模拟更容易，Matlab libsvm的准确率为68％，scikit-learn SVM的准确率为67％。在这个模拟中，两个SVM在97％的时间内在他们的预测中达成一致。因此即使他们经常弄错，他们也会做出同样错误的猜测。