用以下data是数据点， label 是类别标签，总共三个类，请用这些数据写一个训练 softmax 算法。 并用于差别testData中各个数据点属于不同类别的概率。 data = [ 0.1, 0.2, 0.3, 0.4; 0.5, 0.6, 0.7, 0.8; 0.9, 1.0, 1.1, 1.2; 1.3, 1.4, 1.5, 1.6; 1.7, 1.8, 1.9, 2.0; 2.1, 2.2, 2.3, 2.4; 2.5, 2.6, 2.7, 2.8; 2.9, 3.0, 3.1, 3.2; 3.3, 3.4, 3.5, 3.6; 3.7, 3.8, 3.9, 4.0; 4.1, 4.2, 4.3, 4.4; 4.5, 4.6, 4.7, 4.8; 4.9, 5.0, 5.1, 5.2; 5.3, 5.4, 5.5, 5.6; 5.7, 5.8, 5.9, 6.0; 6.1, 6.2, 6.3, 6.4; 6.5, 6.6, 6.7, 6.8; 6.9, 7.0, 7.1, 7.2; 7.3, 7.4, 7.5, 7.6; 7.7, 7.8, 7.9, 8.0; ]; labels = [ 0, 1, 2, 0, 1, 2, 0, 1, 2, 0, 1, 2, 0, 1, 2, 0, 1, 2, 0, 1 ]; testData = [ 2.1, 0.2, 2.3, 1.4; 1.5, 0.6, 5.7, 2.8;]使用matlab编写

以下是使用MATLAB编写的softmax算法训练和预测代码：

% 训练softmax模型
X = data';
Y = full(ind2vec(labels'+1)); % 将标签转换为独热编码
numClasses = size(Y, 1);
inputSize = size(X, 2);
lambda = 1e-4;

options.maxIter = 100;
softmaxModel = softmaxTrain(inputSize, numClasses, lambda, X, Y, options);

% 预测测试数据的类别概率
testX = testData';
prob = softmaxPredict(softmaxModel, testX);
disp(prob);

需要使用MATLAB内置的softmaxTrain和softmaxPredict函数进行训练和预测。在训练中，我们将数据点矩阵转置为X，并将标签转换为独热编码Y。然后，我们设置一些参数，如正则化参数lambda和最大迭代次数。最后，我们使用softmaxTrain函数训练模型并得到softmaxModel。

在预测中，我们将测试数据矩阵testData转置为testX，然后使用softmaxPredict函数对每个测试数据点进行预测，并输出属于各个类别的概率。