使用matlab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

在MATLAB中，你可以通过生成随机数据并应用支持向量机（SVM）进行分类。首先，我们需要创建两个数据集，分别代表圆内的数据和圆外的数据。这里是一个简单的步骤示例：

1. **生成数据**：
- 圆内的数据：可以使用`rand`函数生成在单位圆内的二维随机数，比如`(x, y)`，其中`x^2 + y^2 <= 1`。
- 圆外的数据：从1到2之间生成均匀分布的随机点，保证它们仍在圆外。

% 生成200个随机数据点
num_points = 200;
circle_radius = 1;

% 圆内数据
data_circle = [circle_radius * rand(num_points, 2); ones(num_points, 1)];

% 圆外数据范围(1, 2)
data_ellipse = (1 + circle_radius*2 .* rand(num_points, 2)) .* [ones(num_points, 1), rand(num_points, 1)];

2. **划分训练集和测试集**：
- 可以使用`cvpartition`函数将数据划分为训练集和测试集。

c = cvpartition(num_points, 'HoldOut', 0.8); % 80%用于训练，20%用于测试
train_data = data_circle(c.training,:);
test_data = data_circle(c.test,:);
train_labels = ones(size(train_data, 1), 1);
test_labels = ones(size(test_data, 1), 1);
for i = 1:num_points
    if test_data(i, 1)^2 + test_data(i, 2)^2 > 1
        test_labels(i) = 0; % 圆外标记为0
    end
end

3. **训练SVM模型**：
- 使用`fitcsvm`函数训练二分类的线性SVM模型。如果需要非线性分类，可以选择`kernel`选项。

% 创建SVM模型（默认线性核）
svm_model = fitcsvm(train_data, train_labels);

% 查看预测结果
predicted_labels = predict(svm_model, test_data);

4. **评估模型性能**：
- 利用`confusionmat`或`classificationReport`等函数检查模型的准确性和精度。

accuracy = sum(predicted_labels == test_labels) / length(test_labels);
[~, ~, TP, FP, TN, FN] = confusionmat(test_labels, predicted_labels);