matlab.随机选取12个维度的数据中的80%作为训练输入数据，其余20%作为测试输入数据 ,利用训练输入数据与KNN算法对分类模型进行训练

以下是一个简单的 Matlab 代码实现，用于从给定的数据中随机选择80%的数据作为训练输入数据，剩余20%的数据作为测试输入数据，并使用KNN算法对分类模型进行训练：

% 读取数据
data = load('data.mat'); % 假设数据存储在 data.mat 文件中

% 将数据分成训练集和测试集
n = size(data, 1); % 数据总数
train_ratio = 0.8; % 训练集占比
train_size = floor(n * train_ratio); % 训练集大小
train_indices = randsample(n, train_size); % 随机选择训练集索引
test_indices = setdiff(1:n, train_indices); % 测试集索引

train_data = data(train_indices, :); % 训练集数据
train_labels = data(train_indices, end); % 训练集标签
test_data = data(test_indices, :); % 测试集数据
test_labels = data(test_indices, end); % 测试集标签

% 使用KNN算法训练分类模型
k = 5; % 选择邻居数
model = fitcknn(train_data(:, 1:end-1), train_labels, 'NumNeighbors', k);

% 对测试集进行分类并计算准确率
predictions = predict(model, test_data(:, 1:end-1));
accuracy = sum(predictions == test_labels) / length(test_labels);
disp(['Accuracy: ', num2str(accuracy)]);

这里假设数据存储在名为 `data.mat` 的文件中，其中每行代表一个数据样本，最后一列为标签。代码首先读取数据，然后使用 `randsample` 函数随机选择训练集和测试集的索引。然后，使用 `fitcknn` 函数训练KNN分类模型，并使用 `predict` 函数对测试集进行分类，最后计算分类准确率。