当保存的Scikit-learn（sklearn）模型与训练好的模型预测结果不同的情况下，可能是由于以下几个原因导致的：

1. 版本不兼容：保存模型和加载模型时使用的Scikit-learn版本不一致。不同版本的Scikit-learn可能会有不同的算法实现或参数设置，导致加载的模型的预测结果与训练好的模型不同。

2. 特征处理不一致：在训练模型时，对特征进行了某种处理（例如缩放、归一化、特征选择等），但在加载模型进行预测时，没有对同样的特征进行相同的处理。这可能导致模型对特征的预测结果不同。

以下是一种解决方法的代码示例：

import pickle
import sklearn

# 训练模型
model = sklearn.svm.SVC()
X_train = [[1, 2, 3], [4, 5, 6]]
y_train = [0, 1]
model.fit(X_train, y_train)

# 保存模型
with open('model.pkl', 'wb') as f:
    pickle.dump(model, f)

# 加载模型
with open('model.pkl', 'rb') as f:
    loaded_model = pickle.load(f)

# 预测结果
X_test = [[1, 2, 3], [7, 8, 9]]
y_pred = loaded_model.predict(X_test)
print(y_pred)

确保在保存模型和加载模型时使用相同的Scikit-learn版本，以避免版本不兼容的问题。

另外，还要确保在加载模型进行预测时，对特征进行相同的处理。例如，在训练模型时对特征进行了标准化处理，那么在加载模型进行预测时也需要对同样的特征进行标准化处理。

from sklearn.preprocessing import StandardScaler

# 训练模型
scaler = StandardScaler()
X_train_scaled = scaler.fit_transform(X_train)
model.fit(X_train_scaled, y_train)

# 保存模型和标准化器
with open('model.pkl', 'wb') as f:
    pickle.dump(model, f)
    pickle.dump(scaler, f)

# 加载模型和标准化器
with open('model.pkl', 'rb') as f:
    loaded_model = pickle.load(f)
    loaded_scaler = pickle.load(f)

# 预测结果
X_test_scaled = loaded_scaler.transform(X_test)
y_pred = loaded_model.predict(X_test_scaled)
print(y_pred)

通过确保使用相同的特征处理方法，在加载模型进行预测时对特征进行相同的处理，可以解决保存的Scikit-learn模型与训练好的模型预测结果不同的问题。