对下列不可线性划分问题用高斯核函数的支持向量机方法建立分类器，正类：（4，2）（-1，-2）；负类：（-3，4）（3，-6），并编写Matlab程序。

好的，我可以为您解答这个问题。

首先，让我们来了解一下什么是高斯核函数的支持向量机方法。

高斯核函数的支持向量机方法是一种非线性分类方法，它通过将数据点映射到高维空间中，从而使其线性可分。具体来说，它使用高斯核函数来度量数据点之间的相似性，然后在高维空间中构造一个最优的超平面来进行分类。

现在，我们可以按照以下步骤来建立分类器：

1. 数据准备

首先，我们需要将给定的数据点组成一个样本矩阵 X 和一个标签向量 Y，其中正类的标签为1，负类的标签为-1。在这个例子中，我们可以将数据点按照以下方式组织：

X = [4 2; -1 -2; -3 4; 3 -6];
Y = [1; 1; -1; -1];

2. 训练高斯核函数的支持向量机模型

接下来，我们可以使用 Matlab 自带的 `fitcsvm` 函数来训练高斯核函数的支持向量机模型。具体来说，我们可以设置核函数为高斯核函数，并调整核函数的宽度参数 sigma，以达到最优的分类效果。这里，我们将 sigma 设置为 1。

svm = fitcsvm(X, Y, 'KernelFunction', 'rbf', 'BoxConstraint', 100, 'KernelScale', 1);

3. 可视化分类结果

最后，我们可以使用 `predict` 函数来将新的数据点分类到正类或负类，并使用 `plot` 函数将分类结果可视化。在这个例子中，我们可以将决策边界和支持向量用实线和虚线表示，并用不同的颜色表示正类和负类。

% 生成一个网格，用于绘制分类边界
[x1, x2] = meshgrid(-6:0.1:6, -6:0.1:6);
X_grid = [x1(:) x2(:)];

% 预测新样本的标签
Y_grid = predict(svm, X_grid);

% 绘制分类边界和支持向量
figure;
hold on;
contour(x1, x2, reshape(Y_grid, size(x1)), [0 0], 'LineWidth', 2);
scatter(X(Y==1,1), X(Y==1,2), 'MarkerEdgeColor', 'b');
scatter(X(Y==-1,1), X(Y==-1,2), 'MarkerEdgeColor', 'r');
scatter(svm.SupportVectors(:,1), svm.SupportVectors(:,2), 'MarkerEdgeColor', 'k', 'MarkerFaceColor', 'none');
legend({'SVM', 'Positive class', 'Negative class', 'Support vectors'});
hold off;

这样，我们就成功地建立了高斯核函数的支持向量机模型，并用 Matlab 可视化了分类结果。