在上面代码的基础上选出最优参数（包括平衡参数和核参数），使用径向基核（高斯 核），核半径参数与平衡参数取值范围均为[0.001, 0.01, 0.1, 1, 10, 100, 1000]

下面是一个使用径向基核（高斯核）的SVM分类器，并使用网格搜索选择最优参数的示例代码。该示例代码基于Matlab的fitcsvm函数和fitcecoc函数实现。

% 加载数据集
load fisheriris
X = meas;
Y = species;
% 将数据集按照类别分层
C = unique(Y);
stratify_Y = zeros(size(Y));
for i = 1:length(C)
    idx = find(Y == C(i));
    n = length(idx);
    stratify_Y(idx) = repmat(1:n,1,ceil(length(idx)/n));
end
% 按照 4:1 比例将数据集分为训练集和测试集
cv = cvpartition(stratify_Y,'Holdout',0.2);
train_idx = training(cv);
test_idx = test(cv);
X_train = X(train_idx,:);
Y_train = Y(train_idx,:);
X_test = X(test_idx,:);
Y_test = Y(test_idx,:);
% 构建分类器
rng(1); % 设置随机种子
t = templateSVM('KernelFunction','rbf');
model = fitcecoc(X_train,Y_train,'Learners',t);
% 定义参数网格
param_grid = [0.001 0.01 0.1 1 10 100 1000];
[gamma,C] = meshgrid(param_grid,param_grid);
param_list = [gamma(:), C(:)];
% 进行网格搜索选择最优参数
num_folds = 10;
cv = cvpartition(Y_train,'KFold',num_folds);
accuracy_list = zeros(size(param_list,1),1);
for i = 1:size(param_list,1)
    gamma_val = param_list(i,1);
    C_val = param_list(i,2);
    t = templateSVM('KernelFunction','rbf','KernelScale',1/sqrt(gamma_val),'BoxConstraint',C_val);
    model = fitcecoc(X_train,Y_train,'Learners',t,'CVPartition',cv);
    accuracy_list(i) = kfoldLoss(model);
end
[best_accuracy, best_param_idx] = max(accuracy_list);
best_gamma = param_list(best_param_idx,1);
best_C = param_list(best_param_idx,2);
% 使用最优参数训练最终模型
t = templateSVM('KernelFunction','rbf','KernelScale',1/sqrt(best_gamma),'BoxConstraint',best_C);
model = fitcecoc(X_train,Y_train,'Learners',t);
Y_pred = predict(model,X_test);
accuracy = sum(Y_pred == Y_test)/length(Y_test);
disp(['Accuracy: ' num2str(accuracy)]);
disp(['Best gamma: ' num2str(best_gamma)]);
disp(['Best C: ' num2str(best_C)]);

在这个示例中，我们首先加载鸢尾花数据集，然后按照类别分层，并将数据集按照 4:1 的比例分为训练集和测试集，与前面的示例代码相同。然后，我们使用fitcecoc函数构建一个多类SVM分类器，并使用templateSVM函数定义SVM分类器的参数模板，即使用径向基核函数（高斯核）。

接下来，我们定义一个参数网格，包含平衡参数C和核参数gamma的所有组合。然后，我们使用k折交叉验证来评估每个参数组合的性能，选择具有最高准确率的参数组合作为最优参数。最后，我们使用最优参数训练最终模型，并在测试集上评估模型的准确率。

在这个示例中，我们使用了10折交叉验证和径向基核函数（高斯核），这些参数可以根据具体情况进行调整。另外，这个示例只展示了如何选择最优参数，具体的SVM分类器的实现方法和参数设置还需要根据具体情况进行调整。