利用MATLAB上的SVM工具包实现电离层数据集Ionosphere的分类。该数据集分两类，共351个样本。可将其中340个样本作为训练组，其余11个样本作为测试组，观察不同分组情形下的分类精度差异。同时观察不同核函数类型和参数选择对分类结果的影响，给出matlab代码

以下是简单的MATLAB代码实现SVM分类器（使用高斯核函数和交叉验证选择最佳参数）：

% 加载Ionosphere数据集
load ionosphere

% 数据集拆分为训练组和测试组
train_set = X(1:340,:);
test_set = X(341:end,:);

% SVM分类器配置
svm_model = fitcsvm(train_set,y(1:340),'KernelFunction','gaussian');

% 用测试数据测试分类器
predicted_labels = predict(svm_model, test_set);

%计算分类精度
accuracy = sum(predicted_labels == y(341:end))/length(predicted_labels);
fprintf('分类精度: %.2f%%\n',accuracy*100);

%使用交叉验证选择SVM的二次元核函数sigma和box约束常数C
sigma = optimizableVariable('sigma',[0.1 10],'Transform','log');
box_constraint = optimizableVariable('box_constraint',[1 100],'Type','integer');
hyperparams = [sigma, box_constraint];

%设置目标函数(最小化误差)
objectiveFcn = @(params)kfoldLoss(fitcsvm(train_set,y(1:340),...
'KernelFunction','gaussian',...
'KernelScale',2.^params.sigma,...
'BoxConstraint',params.box_constraint));
% 5折交叉验证
results = bayesopt(objectiveFcn,hyperparams,'Verbose',0,...
'AcquisitionFunctionName','probability-of-improvement');

% 输出最佳参数
best_sigma = 2.^results.XAtMinObjective.sigma;
best_box_constraint = results.XAtMinObjective.box_constraint;
fprintf('最佳参数sigma: %.2f, box约束常数C: %d\n',best_sigma,best_box_constraint);

%用最佳参数构造SVM模型，测试分类精度
svm_model_best = fitcsvm(train_set,y(1:340),'KernelFunction','gaussian',...
'KernelScale',best_sigma,'BoxConstraint',best_box_constraint);
predicted_labels_best = predict(svm_model_best, test_set);
accuracy_best = sum(predicted_labels_best == y(341:end))/length(predicted_labels_best);
fprintf('使用最佳参数测试的分类精度: %.2f%%\n',accuracy_best*100);