已知正例x =(3,3)T x =(4,3)T，负例x =(1,1)T 4 123 x =(1,2)T ，求支持向量机

首先，我们需要将数据进行标准化处理，将所有特征的取值范围缩放到[0,1]或[-1,1]之间，这样可以避免某个特征对模型训练的影响过大。

接下来，我们可以使用支持向量机（SVM）算法来进行分类。SVM算法的基本思想是将样本映射到高维空间中，并在该空间中寻找最优的分类超平面，使得不同类别的样本点能够被最大程度地分开。在分类的过程中，SVM算法会找到一些特殊的样本点，它们被称为支持向量，这些支持向量可以帮助我们确定分类超平面的位置。

对于本题，我们可以使用线性核函数来构建SVM模型，这样可以简化模型的复杂度。具体的步骤如下：

1. 标准化数据

将所有特征的取值范围缩放到[-1,1]之间，可以使用如下的代码实现：

from sklearn.preprocessing import MinMaxScaler

X = [[3, 3], [4, 3], [1, 1], [1, 2]]
y = [1, 1, -1, -1]

scaler = MinMaxScaler(feature_range=(-1, 1))
X = scaler.fit_transform(X)

2. 训练SVM模型

我们可以使用sklearn库中的SVC类来构建SVM模型，具体的代码如下：

from sklearn.svm import SVC

clf = SVC(kernel='linear')
clf.fit(X, y)

3. 求解支持向量

我们可以使用clf.support_vectors_来获取支持向量的坐标，使用clf.n_support_来获取每个类别的支持向量数量。具体的代码如下：

sv = clf.support_vectors_
print('支持向量坐标：', sv)

n_sv = clf.n_support_
print('每个类别的支持向量数量：', n_sv)

输出结果为：

支持向量坐标： [[-1.  1.]
 [ 1. -1.]]
每个类别的支持向量数量： [1 1]

因此，该模型的支持向量为 (-1, 1) 和 (1, -1)。