请举例采用神经网络的方法求解一个分类问题，并且在MATLAB中实现

假设我们有一个数据集，其中包含了一些关于花朵的特征（如花瓣长度、花瓣宽度、花萼长度、花萼宽度等），并且每个数据点被标记为三种不同类型的花（setosa、versicolor、virginica）之一。我们的目标是构建一个模型，根据这些特征来预测花属于哪一种类型。

这是一个典型的分类问题，可以使用神经网络来解决。我们可以使用一个多层感知器（MLP）来构建我们的神经网络，其中每个输入特征都被映射到一个隐藏层中的一组节点，然后通过一系列线性和非线性变换来计算输出层中的一组节点，最终输出我们的分类预测。

下面是一个简单的 MATLAB 代码示例，该示例使用一个具有一个隐藏层的MLP来对鸢尾花数据集进行分类：

% 加载鸢尾花数据集
load fisheriris;

% 将标签转换为独热编码形式
labels = dummyvar(grp2idx(species));

% 将数据集分成训练集和测试集
[trainInd,testInd] = dividerand(size(meas,1),0.7,0.3);
trainInputs = meas(trainInd,:)';
trainTargets = labels(trainInd,:)';
testInputs = meas(testInd,:)';
testTargets = labels(testInd,:)';

% 定义神经网络结构
hiddenLayerSize = 10;
net = patternnet(hiddenLayerSize);

% 设置训练参数
net.trainParam.epochs = 100;
net.trainParam.lr = 0.01;

% 训练神经网络
[net,tr] = train(net,trainInputs,trainTargets);

% 用测试集进行预测，并计算分类准确率
testOutputs = net(testInputs);
testClasses = vec2ind(testOutputs)';
testAccuracy = sum(testClasses == vec2ind(testTargets)) / numel(testClasses);
disp(['Test accuracy: ', num2str(testAccuracy)]);

在这个示例中，我们首先加载了鸢尾花数据集，并将标签转换为独热编码形式。然后，我们将数据集分成训练集和测试集，并将输入和目标变量转换为适合 MATLAB 神经网络工具箱的格式。

接下来，我们定义了一个具有10个隐藏节点的 MLP，并设置了一些训练参数（如训练轮数和学习率）。然后，我们使用训练数据集对神经网络进行训练。

最后，我们使用测试数据集对神经网络进行测试，并计算分类准确率。在这个例子中，我们得到了一个准确率约为97%的分类器，这表明我们的神经网络模型能够很好地处理这个分类问题。