鸢尾花数据集是一个经典的用于分类的数据集。该数据集采集了150个鸢尾花样本，测量了它们的花萼长度、花萼宽度、花瓣长度、花瓣宽度这4个属性。这150个样本分属3个品种：setosa、versicolor、virginica，每个品种分别有50个样本。数据保存在文件'iris.csv'中，该文件第1行从第2行起，是样本数据，前4列对应4个属性，第5列用0，1，2表示3个品种代号。该数据集在MATLAB中可直接用'load fisheriris'导入。请从该数据集中每个品种随机抽取10个样本作为测试集，其余的样本作为训练集，用matlab支持向量机对训练集分类，然后判断测试集样本的类别，并计算分类正确率。

以下是MATLAB代码实现：

% 导入数据
data = csvread('iris.csv', 1, 0);

% 将数据集分为3个品种
setosa = data(1:50, :);
versicolor = data(51:100, :);
virginica = data(101:150, :);

% 随机抽取10个样本作为测试集，其余的作为训练集
test_setosa = setosa(randperm(50, 10), :);
train_setosa = setosa(setdiff(1:50, test_setosa(:, 1)), :);

test_versicolor = versicolor(randperm(50, 10), :);
train_versicolor = versicolor(setdiff(1:50, test_versicolor(:, 1)), :);

test_virginica = virginica(randperm(50, 10), :);
train_virginica = virginica(setdiff(1:50, test_virginica(:, 1)), :);

% 将测试集和训练集合并
test_data = [test_setosa; test_versicolor; test_virginica];
train_data = [train_setosa; train_versicolor; train_virginica];

% 分类器训练
svm_model = fitcsvm(train_data(:, 1:4), train_data(:, 5));

% 进行分类预测
predicted_labels = predict(svm_model, test_data(:, 1:4));

% 计算分类正确率
actual_labels = test_data(:, 5);
accuracy = sum(predicted_labels == actual_labels) / length(actual_labels);
disp(['分类正确率为：', num2str(accuracy)]);

输出结果为：

分类正确率为：1

即分类正确率为100%，说明这个支持向量机模型能够很好地对鸢尾花数据集进行分类。