需要代码：使用6种不同的高斯分类器对虹膜数据进行分类

Question

1交叉验证数据设计 Iris数据集由150个4维向量样本和1个整数标签组成。有3个 不同的标签，每个标签正好有50个样本。我们首先要做5倍交叉验证 如下所示：

1. 对于类别1，将数据拆分为5个折叠：样本编号1-10、11-20、21-30、31-40和41-50，它们分别命名为f11、f12、f13、f14和f15

2. 对于2类，其褶皱为f21、f22、f23、f24和f25

3. 对于3类，其褶皱为f31、f32、f33、f34和f35

4. 通过R1={f11，…，创建一个训练数据集。，f14，f21。，24层，31层。，f34}，测试集T1={f15，f25，f35}

5. 用R1训练上述6个高斯分类器，在T1上计算精度

6. 用R2-R5和T2-T5重复上述步骤，以获得5个精度

7. 求平均精度，确定虹膜数据集的最佳高斯分类器

2支持向量机 支持向量机的超参数是C（non-separability）和核特定参数。使用5倍交叉 验证到

1. 确定多项式核函数的最佳C和次（阶、秩等）
2. 确定最佳C和标准差的高斯核函数（或称为

RBF核参数）。 这些超参数的选择过程称为网格搜索，因为离散参数的组合- 我们在多维向量空间中建立了一个网格，我们在每个网格中寻找 最优超参数集。 关键的设计问题是离散连续参数空间的选择：例如 通常选择C={1，10，100，…}