举个可在matlab运行的LDA降维算法例子

以下是一个在Matlab中实现LDA降维算法的例子，该例子使用了UCI机器学习库中的Iris数据集。

% 加载数据
data = load('iris.data');
X = data(:, 1:4);
Y = data(:, 5);

% 将数据分成训练集和测试集
[trainInd,testInd] = dividerand(size(X,1),0.7,0.3);
trainData = X(trainInd,:);
trainLabel = Y(trainInd,:);
testData = X(testInd,:);
testLabel = Y(testInd,:);

% 训练LDA模型
lda = fitcdiscr(trainData, trainLabel);

% 预测测试集的标签
predictedLabel = predict(lda, testData);

% 计算分类准确率
accuracy = sum(predictedLabel == testLabel) / length(testLabel);
disp(['分类准确率为：', num2str(accuracy)]);

% 可视化降维结果
coefficient = lda.Coeffs(1,2).Linear;
newData = testData * coefficient';

figure;
subplot(2,2,1);
gscatter(testData(:,1),testData(:,2),testLabel);
title('原始数据（特征1和特征2）');

subplot(2,2,2);
gscatter(newData(:,1),zeros(size(newData)),testLabel);
title('降维后数据');

subplot(2,2,3);
gscatter(testData(:,3),testData(:,4),testLabel);
title('原始数据（特征3和特征4）');

subplot(2,2,4);
gscatter(newData(:,2),zeros(size(newData)),testLabel);
title('降维后数据');

该例子首先加载Iris数据集，然后将数据分成训练集和测试集。接着使用`fitcdiscr`函数训练一个LDA模型，并使用`predict`函数预测测试集的标签。最后计算分类准确率，并使用`gscatter`函数可视化降维结果。

在运行该例子之前，需要确保当前目录下存在Iris数据集文件`iris.data`。