Python・機械学習　二値分類を二回おこなう3クラス分類モデルについて

前提・実現したいこと

二値分類を二回行い3クラスに分類するSVMについてです。想像していた判別率よりかなり低く出てしまっています。
この原因はpipe_svc2のところでpipe_svc1のところでの標準化の処理StandardScaler()が二回行われているせいでしょうか？
それとも判別率の算出方法に問題があるのでしょうか？

発生している問題・エラーメッセージ

エラーメッセージはありません。

該当のソースコード

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
import time
import winsound

from sklearn.preprocessing import StandardScaler
from sklearn.svm import SVC
from sklearn.pipeline import make_pipeline

start=time.time()

#データ読み込み
file_name='data_class2.xlsx'
sheet_name='Sheet7'
df = pd.read_excel(file_name,sheet_name=sheet_name) 
df=df.drop('results',axis=1)
df_X=df.copy()
df_Y=df.copy()
features_df=df_X.drop(['Target','Target2'],axis=1)
drop_idx=['HR-rest',\
          'HR-task',\
          'HR-after',\
          'HF-rest',\
          'HF-task',\
          'HF-after',\
          'LH-rest',\
          'LH-task',\
          'LH-after',\
          'Target2']
drop_idx2=['HR-rest',\
          'HR-task',\
          'HR-after',\
          'HF-rest',\
          'HF-task',\
          'HF-after',\
          'LH-rest',\
          'LH-task',\
          'LH-after',\
          'Target']
mod_excel_num=92
con_mod_index=(mod_excel_num-1)
targets_df=df_Y.drop(drop_idx,axis=1)
targets2_df=df_Y.drop(drop_idx2,axis=1)
targets_array=np.array(targets_df)
targets2_array=np.array(targets2_df.iloc[:con_mod_index])
features1=np.array(features_df)
features2=np.array(features_df.iloc[:con_mod_index])
targets1=np.ravel(targets_array)
targets2=np.ravel(targets2_array)

#LOO交差検定によるグリッドサーチでのハイパーパラメータの探索

param_range_c1=[10**i for i in range(-3,3)]
param_range_gamma1=[10**i for i in range(-3,3)]

param_range_c2=[10**i for i in range(-3,3)]
param_range_gamma2=[10**i for i in range(-3,3)]

entire_count1=len(targets1)
entire_count2=len(targets2)

predicted_labels1=[]
predicted_labels2=[]


best_score=0


for svc_c1 in param_range_c1:
    for svc_gamma1 in param_range_gamma1:
        for svc_c2 in param_range_c2:
            for svc_gamma2 in param_range_gamma2:
               
                
                correct_answer_count=0
                for test_index in range(entire_count1):
                    
                    
                    test_index=np.array([test_index])
                    
                    train_array1=np.array([range(entire_count1)])
                    train_index1=np.delete(train_array1,test_index)
                    
                    
                    train_data1=np.delete(features1,test_index,0)
                    test_data=features1[test_index]
                    
                    targets_train1=np.delete(targets1,test_index,0)
                    targets_test1=targets1[test_index]
                    
                    pipe_svc1=make_pipeline(StandardScaler(),\
                                          SVC(C=svc_c1,gamma=svc_gamma1,random_state=1,kernel='rbf')) 
                
                    pipe_svc1.fit(train_data1,targets_train1)
                    
                    predicted_label1 = pipe_svc1.predict(test_data)
                    predicted_labels1.append(predicted_label1)
                    
                    if predicted_label1==targets_test1: #正解
                        if predicted_label1==0: #その他をその他
                            
                            
                            
                            train_array2=np.array([range(entire_count2)])
                            train_index2=np.delete(train_array2,test_index)
                            
                            
                            train_data2=np.delete(features2,test_index,0)
                            test_data=features2[test_index]
                            
                            targets_train2=np.delete(targets2,test_index,0)
                            targets_test2=targets2[test_index]
                            
                            pipe_svc2=make_pipeline(StandardScaler(),\
                                                  SVC(C=svc_c2,gamma=svc_gamma2,random_state=1,kernel='rbf')) 
                        
                            pipe_svc2.fit(train_data2,targets_train2)
                            
                            predicted_label2 = pipe_svc2.predict(test_data)
                            predicted_labels2.append(predicted_label2)
                            
                            if predicted_label2==targets_test2:
                                correct_answer_count+=1
                                if targets_test2==1: #健常を健常で正解
                                    pass
                                else: #うつをうつで正解
                                    pass
                            else:
                                if targets_test2==0:#うつを健常のミス
                                    pass
                                else: #健常をうつのミス
                                    pass
                                
                        else: #不安を不安
                            correct_answer_count+=1
                    
                    else:
                        if targets_test1==0:#うつをその他のミス
                            pass
                        else: #その他を不安のミス
                            pass
        
        test_score=float(correct_answer_count)/float(entire_count1)
        
        if test_score > best_score:
            best_score=test_score
            best_params={"svc_gamma1":svc_gamma1,"svc_c1":svc_c1,"svc_gamma2":svc_gamma2,"svc_c2":svc_c2}    
            
print(best_score)
print(best_params)