直接利用MATLAB上的SVM工具包实现电离层数据集Ionosphere的分类。该数据集分两类，共351个样本。可将其中340个样本作为训练组，其余11个样本作为测试组，观察不同分组情形下的分类精度差异。同时观察不同核函数类型和参数选择对分类结果的影响，给出matlab代码

可以通过以下MATLAB代码实现：

% 导入数据集
load ionosphere

% 数据预处理
Xtrain = X(1:340,:);
Ytrain = Y(1:340);
Xtest = X(341:end,:);
Ytest = Y(341:end);

% SVM分类器参数选择
C = 1; % 惩罚项参数
kernels = {'linear', 'polynomial', 'rbf', 'sigmoid'}; % 核函数类型
degrees = 1:4; % 多项式核函数的阶数
sigmas = [1, 5, 10, 50]; % 高斯核函数的参数

% 训练和测试不同组合下的SVM分类器
for i = 1:length(kernels)
kernel = kernels{i};
for j = 1:length(degrees)
degree = degrees(j);
if strcmp(kernel, 'polynomial')
svm = fitcsvm(Xtrain, Ytrain, 'KernelFunction', kernel, 'PolynomialOrder', degree, 'BoxConstraint', C);
elseif strcmp(kernel, 'rbf')
for k = 1:length(sigmas)
sigma = sigmas(k);
svm = fitcsvm(Xtrain, Ytrain, 'KernelFunction', kernel, 'BoxConstraint', C, 'KernelScale', sigma);
Ypred = predict(svm, Xtest);
accuracy = sum(Ypred == Ytest)/length(Ytest);
disp(['Kernel:', kernel, ', Degree:', num2str(degree), ', Sigma:', num2str(sigma), ', Accuracy:', num2str(accuracy)]);
end
else
svm = fitcsvm(Xtrain, Ytrain, 'KernelFunction', kernel, 'BoxConstraint', C);
end
Ypred = predict(svm, Xtest);
accuracy = sum(Ypred == Ytest)/length(Ytest);
disp(['Kernel:', kernel, ', Degree:', num2str(degree), ', Accuracy:', num2str(accuracy)]);
end
end

% 参考结果：可以得到不同组合下的分类精度数据，给出最佳的核函数类型和参数选择。