在上面的基础上使 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

在上面选择最优参数的基础上，使用最优的参数和全部训练集，对测试集中的样本进行预测，并统计准确率。下面是一个示例代码：

% 加载数据集
load fisheriris
X = meas;
Y = species;
% 将数据集按照类别分层
C = unique(Y);
stratify_Y = zeros(size(Y));
for i = 1:length(C)
    idx = find(Y == C(i));
    n = length(idx);
    stratify_Y(idx) = repmat(1:n,1,ceil(length(idx)/n));
end
% 按照 4:1 比例将数据集分为训练集和测试集
cv = cvpartition(stratify_Y,'Holdout',0.2);
train_idx = training(cv);
test_idx = test(cv);
X_train = X(train_idx,:);
Y_train = Y(train_idx,:);
X_test = X(test_idx,:);
Y_test = Y(test_idx,:);
% 构建分类器
rng(1); % 设置随机种子
t = templateSVM('KernelFunction','rbf','KernelScale',1/sqrt(best_gamma),'BoxConstraint',best_C);
model = fitcecoc(X_train,Y_train,'Learners',t);
% 在测试集上进行预测
Y_pred = predict(model,X_test);
accuracy = sum(Y_pred == Y_test)/length(Y_test);
disp(['Accuracy: ' num2str(accuracy)]);

在这个示例中，我们首先按照类别分层并将数据集按照 4:1 的比例分为训练集和测试集，与前面的示例代码相同。然后，我们使用最优的平衡参数C和核参数gamma，构建一个多类SVM分类器，并在全部训练集上进行训练。最后，我们在测试集上进行预测，并统计准确率。

需要注意的是，在这个示例中，我们使用了前面选择最优参数的示例代码中找到的最优参数。如果要使用不同的参数进行训练和预测，需要相应地更改代码中的参数设置。