SVM模型score()与accuracy_score()结果不一致的原因探究

问题出在你的代码变量更新逻辑上，和超参数调整本身无关：

• 初始阶段你计算accuracy = accuracy_score(y_test, y_pred)时，y_pred是第一个默认参数SVC模型生成的预测结果，accuracy这个变量一旦赋值就固定下来，不会自动跟随模型变化更新。
• 调参循环里，你每次都重新创建了新的model对象（最后一次循环对应的是C=100的SVC模型），所以model.score(x_test, y_test)是当前最新模型的测试集准确率；但你既没有用新模型重新生成y_pred，也没有重新计算accuracy变量，它自然还是保留着初始模型的结果。

要明确：model.score()在分类任务里本质就是调用accuracy_score计算的，只要用同一个模型的预测结果，两者结果必然一致。

修正代码 #

在调参循环结束后，用当前最新的模型重新生成预测结果并计算准确率即可：

# 循环结束后，当前model是C=100的最优模型
y_pred_new = model.predict(x_test)
accuracy_new = accuracy_score(y_test, y_pred_new)
print(accuracy_new)  # 此时结果会和model.score(x_test, y_test)完全一致

内容的提问来源于stack exchange，提问作者weakbro1004