1 load fisheriris
2 %载入系统的鸢尾属植物，有4维特征，分别属于3类鸢尾属植物，该代码只用了前2维特征，并且将样本属于哪一类的问题变成了是不是属于setosa类的两类问题
3 %载入代码后，出现了2个变量，meas（150*4）和species（150*1）
4 data= [meas(:,1),meas(:,2)];%取鸢尾属植物中的前两维数据，鸢尾属花瓣的长度和宽度
5 groups = ismember(species,'setosa');%将sepecies中属于‘setosa’的提出到groups，groups里面就包含50个1,100个0；且前50个为1
6
7 [train,test] = crossvalind('holdOut',groups);%利用交叉验证随机分割数据集; train 和test为150*1维向量，crossvalind默认参数为0.5，即test和train各自有75个1
8
9 svmStruct = svmtrain(data(train,:),groups(train),'showplot',true);
10
11 %首先说说data(train,:)，train是个150*1的logical向量，其中有75个1；data是150*2的矩阵，data(train,:)就是将data里面对应train为1的行标记提取出来，最后为75*2位数据
12 %groups(train)是标记样本为正例还是反例的一维数据，最后生成75*1的向量，有25个1,50个0；且前25个为1.
13 %最综结果：大概25个正例，50个反例。
svmtrain（training,group）
training包含训练数据的m行n列的矩阵，m代表样本的个数，n表示每个样本的维数。
group表示训练样本的标签的1维向量，通常1表示正例，0表示反例。