我有一个多标签数据，我使用不同的分类器和MEKA（WEKA的多标签版本）进行了训练， MEKA给我的评估结果（例如准确性）与我从scikit-learn的相同分类器获得的结果不同。

因为我的数据是多标签的，所以我正在使用二进制相关性方法（在 MEKA 和 scikit-multilearn 中都有）。例如，我使用的是 SVM，它是MEKA（和 WEKA）中的SMO和sklearn中的 linearSVC。

现在，我从MEKA 中的BR>SMO的10 倍交叉验证中获得的准确度约为50% ，而从BinaryRelevevce>LinearSVC获得的准确度约为20%。其他评估措施（例如 f1 分数、汉明损失等）也不匹配。

我试图给出在LinearSVC的输入中可以找到的所有参数，与SMO的值相同，但没有运气。我的 Python 代码是这样的：

from skmultilearn.problem_transform import BinaryRelevance
from sklearn.svm import LinearSVC

my_classifier = BinaryRelevance(
                classifier=LinearSVC(C=1, random_state=1, tol=0.001, max_iter=10000, dual=False),
                require_dense=[True, True])

我必须补充一点，在 MEKA 中使用BR>SMO来训练和评估模型将花费我的数据将近一个小时，但 sklearn 的linearSVC（使用 skmultilern 的BinaryRelevance）在相同的数据上花费的时间不到10 分钟（因此准确性较低）。

顺便说一句，我正在使用accuracy_score方法来sklearn.metrics确保准确性。

所以我的问题是我错过了什么？如何从MEKA和scikit-learn中的SVM获得相同的准确性？