如果70%训练集，15%验证集，15%测试集代码又该如何呢

下面是将数据集分成70%训练集、15%验证集和15%测试集的MATLAB代码示例：

% 准备数据，假设有一组时间序列数据y
x = 1:length(y);
y = y(:); % 将y转换成列向量
n = length(y);
n_train = round(n * 0.7); % 训练集大小
n_valid = round(n * 0.15); % 验证集大小
n_test = n - n_train - n_valid; % 测试集大小

% 随机打乱数据
idx = randperm(n);
x = x(idx);
y = y(idx);

% 划分数据集
x_train = x(1:n_train);
y_train = y(1:n_train);
x_valid = x(n_train+1:n_train+n_valid);
y_valid = y(n_train+1:n_train+n_valid);
x_test = x(n_train+n_valid+1:end);
y_test = y(n_train+n_valid+1:end);

% 设置SVM的参数
svm_model = fitrsvm(x_train', y_train', 'KernelFunction', 'rbf', 'KernelScale', 'auto', 'Standardize', true);

% 预测验证集数据
y_pred = predict(svm_model, x_valid');

% 画图展示结果
figure;
plot(x_train, y_train, 'b');
hold on;
plot(x_valid, y_valid, 'g');
plot(x_valid, y_pred, 'r');
legend('训练数据', '验证数据', '预测结果');

% 评估模型性能
rmse = sqrt(mean((y_pred - y_valid).^2));
fprintf('验证集RMSE = %f\n', rmse);

% 预测测试集数据
y_pred_test = predict(svm_model, x_test');

% 测试集RMSE
rmse_test = sqrt(mean((y_pred_test - y_test).^2));
fprintf('测试集RMSE = %f\n', rmse_test);

以上代码中，首先将时间序列数据随机打乱，然后按照70%训练集、15%验证集和15%测试集的比例划分数据集。接着，设置SVM的参数，使用fitrsvm函数训练SVM模型，并使用predict函数预测验证集和测试集数据。最后，计算验证集和测试集的RMSE，评估模型性能。