我之前也踩过跨平台SVM结果不一致的坑，结合你的场景，大概率是几个容易被忽略的细节差异导致的，给你列几个排查点：

• 核函数参数的隐性差异
  你提到用的是二次SVM，Python的sklearn.svm.SVC里的多项式核（kernel='poly'）默认是degree=3，得手动设置degree=2才能对应二次核。除此之外，还要注意核函数的计算细节：sklearn的poly核公式是(gamma * X @ X.T + coef0)^degree，而Matlab的二次核默认的gamma、coef0参数可能和sklearn不一样。比如sklearn的gamma默认是scale（即1/(n_features * X.var())），而Matlab可能用的是1/n_features或者不做缩放。建议手动把两边的核参数统一（比如设置gamma=1，coef0=0），再对比结果。

• 数据标准化的流程一致性
  虽然都做了标准化，但要确认标准化的拟合只基于训练集，然后用相同的均值和标准差去转换测试集。如果Python里是先对整个数据集做标准化再拆分，而Matlab是在训练时自动用训练集的统计量处理测试集，这会导致数据分布差异，直接影响准确率。可以手动在Python里用StandardScaler先拟合训练集，再分别转换训练和测试数据，和Matlab的流程对齐。

• 多分类投票机制的差异
  同样是One-vs-One策略，sklearn默认是简单的票数统计（每个二元分类器投一票，得票最多的类别获胜），但Matlab的Classification Learner里的One-vs-One可能采用加权投票（比如基于分类器的置信度、距离来加权）。你可以查一下Matlab的文档确认它的投票规则，然后在Python里尝试模拟相同的投票逻辑，或者调整参数匹配。

• 样本拆分的随机性
  你的样本量只有100组，随机拆分训练集和测试集的差异会非常大。一定要确保两边用完全相同的训练/测试样本：比如把数据集的索引固定下来，两边用同一组训练样本和测试样本，排除随机性的影响。如果拆分相同后准确率还是差很多，再去排查其他因素。

• 优化求解器的细节差异
  sklearn的SVC底层用的是libsvm，而Matlab的ClassificationSVM可能用的是不同的求解器实现，或者默认的收敛阈值、迭代次数不一样。比如可以尝试调整sklearn的tol参数（默认是1e-3），和Matlab的收敛容差对齐，看看是否能缩小差异。

先从样本拆分和标准化这两个最容易验证的点入手，一般都能找到问题所在。

内容的提问来源于stack exchange，提问作者Platon