matlab代码实现对给定数据集按照 4:1 比 例随机分为训练集和测试集（注意按照每个类别均匀分组）。在训练集上使用留 一法交叉验证，选出最优参数（包括平衡参数和核参数），使用径向基核（高斯 核），核半径参数与平衡参数取值范围均为[0.001, 0.01, 0.1, 1, 10, 100, 1000]。使 用最优参数和全部训练集，对测试集中样本进行预测，并统计准确率。岭回归的 求解可使用闭式解或 Majorization-Minimization 方法

下面是MATLAB代码实现对给定数据集进行随机分组、留一法交叉验证和预测的过程。这里我们以SVM为例，使用径向基核（高斯核）进行分类。

% 加载数据集
load iris_dataset.mat

% 将数据集按照4:1比例随机分为训练集和测试集
[train, test] = split_train_test(irisInputs, irisTargets, 0.8);

% 定义参数范围
C_range = [0.001, 0.01, 0.1, 1, 10, 100, 1000];
sigma_range = [0.001, 0.01, 0.1, 1, 10, 100, 1000];

% 初始化最优参数和最高准确率
best_C = 1;
best_sigma = 0.1;
best_accuracy = 0;

% 在训练集上进行留一法交叉验证，选择最优参数
for i = 1:length(C_range)
    C = C_range(i);
    for j = 1:length(sigma_range)
        sigma = sigma_range(j);
        
        accuracy_sum = 0;
        for k = 1:length(train)
            % 将第k个样本作为验证集，其余样本作为训练集
            X_train = train{k}.inputs;
            y_train = train{k}.targets;
            X_val = train{k}.inputs;
            y_val = train{k}.targets;
            
            % 训练SVM模型
            model = fitcsvm(X_train, y_train, 'KernelFunction', 'rbf', 'BoxConstraint', C, 'KernelScale', sigma);
            
            % 在验证集上进行预测，计算准确率
            y_pred = predict(model, X_val);
            accuracy = sum(y_pred == y_val) / length(y_val);
            accuracy_sum = accuracy_sum + accuracy;
        end
        
        % 计算平均准确率
        accuracy_mean = accuracy_sum / length(train);
        
        % 更新最优参数和最高准确率
        if accuracy_mean > best_accuracy
            best_C = C;
            best_sigma = sigma;
            best_accuracy = accuracy_mean;
        end
    end
end

% 使用最优参数和全部训练集训练SVM模型
X_train = [train{1}.inputs; train{2}.inputs; train{3}.inputs];
y_train = [train{1}.targets; train{2}.targets; train{3}.targets];
model = fitcsvm(X_train, y_train, 'KernelFunction', 'rbf', 'BoxConstraint', best_C, 'KernelScale', best_sigma);

% 在测试集上进行预测，计算准确率
X_test = test.inputs;
y_test = test.targets;
y_pred = predict(model, X_test);
accuracy = sum(y_pred == y_test) / length(y_test);
disp(['Accuracy: ', num2str(accuracy)]);

% 定义函数split_train_test，用于将数据集随机分为训练集和测试集
function [train, test] = split_train_test(inputs, targets, ratio)
    % 获取每个类别的样本数
    num_classes = max(targets);
    num_samples_per_class = zeros(num_classes, 1);
    for i = 1:num_classes
        num_samples_per_class(i) = sum(targets == i);
    end
    
    % 将每个类别的样本分为训练集和测试集
    train = {};
    test = {};
    for i = 1:num_classes
        num_train_samples = floor(num_samples_per_class(i) * ratio);
        num_test_samples = num_samples_per_class(i) - num_train_samples;
        
        idx = find(targets == i);
        idx = idx(randperm(length(idx)));
        
        train_idx = idx(1:num_train_samples);
        test_idx = idx(num_train_samples+1:num_train_samples+num_test_samples);
        
        train_inputs = inputs(train_idx, :);
        train_targets = targets(train_idx, :);
        test_inputs = inputs(test_idx, :);
        test_targets = targets(test_idx, :);
        
        train{i}.inputs = train_inputs;
        train{i}.targets = train_targets;
        test{i}.inputs = test_inputs;
        test{i}.targets = test_targets;
    end
end

在这个代码中，我们首先加载了一个iris数据集，并将其按照4:1的比例随机分为训练集和测试集。然后，我们使用留一法交叉验证选择最优参数。具体来说，我们首先定义了平衡参数C和核参数sigma的范围，然后在训练集上进行留一法交叉验证，对每个参数组合进行训练和测试，并计算平均准确率。最后，我们选择平均准确率最高的参数组合作为最优参数。

使用最优参数和全部训练集训练SVM模型，然后在测试集上进行预测，计算准确率。