产生200个数据点，其中100个在半径为1的圆内，另外100个在半径为1~2之间的圆内，利用svm进行分类，用MATLAB

要在MATLAB中生成这种数据并用SVM（支持向量机）进行分类，你需要经历以下几个步骤：

1. **数据生成**:
- 使用`randn`函数生成均匀分布在单位圆内的100个二维数据点。
- 为了生成在1到2之间圆内的100个点，你可以先生成在(0, 4)区间内的随机数，然后减去1得到半径，并乘以一个单位方向矢量加上原点。

% 单位圆内的数据
data_circle_1 = [randn(100, 2); ones(100, 1)];
data_circle_1 = data_circle_1 ./ sqrt(sum(data_circle_1.^2, 2)) * 2 - 1; % 缩放到1到2范围内

% 1到2圆内的数据
data_circle_2 = randn(100, 2);
radius_2 = rand(100, 1) + 1;
data_circle_2 = radius_2 .* data_circle_2 ./ norm(data_circle_2, 2, 2); % 保持单位长度，再放大半径

2. **数据标记**:
- 将前100个数据点标记为一类，后100个标记为另一类。

labels = zeros(200, 1);
labels(1:100) = 1; % 类别1
labels(101:end) = 2; % 类别2

3. **SVM训练**:
- 使用`fitcsvm`函数训练SVM模型，可以指定核函数（如线性、多项式或径向基函数RBF）。

% 创建SVM模型，这里以RBF核为例
kernel = 'rbf';
C = 1; % 正则化参数
model = fitcsvm([data_circle_1; data_circle_2], labels, 'KernelFunction', kernel, 'BoxConstraint', C);

4. **预测和评估**:
- 对新数据点进行预测并检查分类结果。

test_data = ... % 输入测试数据
predicted_labels = predict(model, test_data);
accuracy = sum(predicted_labels == labels) / length(labels); % 计算准确率