% Data [Xtr, Ytr, Xte, Yte, attr2, class_order] = data_loader(dataset, opt, feature_name, 'not'); % not EXEM(SynC) nr_fold = 5; Sig_Y = get_class_signatures(attr2, norm_method); Sig_dist = Sig_dist_comp(Sig_Y); %% 5-fold class-wise cross validation splitting (for 'train' and 'val') fold_loc = cv_split(task, Ytr, class_order);

这段代码加载数据并进行数据划分。

1. 使用函数`data_loader`加载数据集。函数的输入参数包括数据集名称`dataset`、选项`opt`、特征名称`feature_name`和一个标志位`'not'`。这个标志位表示不使用EXEM（SynC）。函数的输出包括训练集`Xtr`和对应的标签`Ytr`、测试集`Xte`和对应的标签`Yte`、特征矩阵`attr2`和类别顺序`class_order`。

2. 使用函数`get_class_signatures`，基于特征矩阵`attr2`和归一化方法`norm_method`，计算类别的签名（Signature）。这些签名被存储在矩阵`Sig_Y`中。

3. 使用函数`Sig_dist_comp`，基于类别签名矩阵`Sig_Y`，计算类别之间的距离矩阵`Sig_dist`。

4. 使用函数`cv_split`，进行类别级别的5折交叉验证划分。函数的输入参数包括任务类型`task`、训练集标签`Ytr`和类别顺序`class_order`。函数的输出是一个包含5个元素的单元格数组，每个元素是一个包含训练集和验证集索引的结构体。

这段代码的作用是加载数据集，计算类别的签名和距离矩阵，并进行类别级别的5折交叉验证划分。这些步骤是为了后续的模型训练和评估做准备。