根据https://blog.caiyongji.com/assets/mouse_viral_study.csv的数据集，利用sklearn中的方法实现SVM算法，并绘图

好的，我可以为你提供一个在二维空间中绘制SVM决策边界和支持向量的代码示例。以下是一个完整的示例代码：

from sklearn import svm
import pandas as pd
import matplotlib.pyplot as plt
import numpy as np

# 加载数据集
data = pd.read_csv('https://blog.caiyongji.com/assets/mouse_viral_study.csv')

# 准备训练的特征和标签
features = data.drop(['Infection'], axis=1).values
labels = data['Infection'].values

# 训练SVM分类器
clf = svm.SVC(kernel='linear', C=1)
clf.fit(features, labels)

# 绘制决策边界和支持向量
plt.scatter(features[:, 0], features[:, 1], c=labels, cmap=plt.cm.Paired)
ax = plt.gca()
xlim = ax.get_xlim()
ylim = ax.get_ylim()

# 创建网格来评估模型
xx, yy = np.meshgrid(np.linspace(xlim[0], xlim[1], 100), np.linspace(ylim[0], ylim[1], 100))
Z = clf.decision_function(np.c_[xx.ravel(), yy.ravel()])
Z = Z.reshape(xx.shape)

# 绘制决策边界和支持向量
ax.contour(xx, yy, Z, colors='k', levels=[-1, 0, 1], alpha=0.5, linestyles=['--', '-', '--'])
ax.scatter(clf.support_vectors_[:, 0], clf.support_vectors_[:, 1], s=100, linewidth=1, facecolors='none', edgecolors='k')

plt.show()

在这个例子中，我们仍然使用了sklearn的SVC类来实现SVM算法，并且选择了线性核函数和正则化参数C的值为1。我们将数据集中的两个特征绘制在二维空间中，并根据类标签进行了着色。然后，我们使用decision_function函数来计算网格上的每个点到决策边界的距离，并使用contour函数将决策边界绘制到图像中。最后，我们使用support_vectors_属性将支持向量的位置标注在图像中。

请注意，这只是一个简单的示例代码，你可以根据你的具体任务和数据集的特点进行参数的调整和优化，以及图像的美化等。