使用sklearn的决策树算法对样本数据进行分类，要求： (1)使用sklearn生成随机分布的400个样本点； (2)对样本点进行显示； (3)使用线性SVM进行2分类； (4)评价模型并画出分类边界

好的，这是一个计算机编程问题，我可以回答。以下是答案：

(1) 以下是使用sklearn生成随机分布的400个样本点的代码示例：

from sklearn.datasets import make_blobs

X, y = make_blobs(n_samples=400, centers=2, random_state=42)

(2) 以下是对样本点进行显示的代码示例：

import matplotlib.pyplot as plt

plt.scatter(X[:, 0], X[:, 1], c=y)
plt.xlabel('Feature 1')
plt.ylabel('Feature 2')
plt.show()

(3) 以下是使用线性SVM进行2分类的代码示例：

from sklearn.svm import LinearSVC

model = LinearSVC()
model.fit(X, y)

(4) 以下是评价模型并画出分类边界的代码示例：

import numpy as np

def plot_boundary(model, X):
    xmin, xmax = X[:, 0].min() - 0.5, X[:, 0].max() + 0.5
    ymin, ymax = X[:, 1].min() - 0.5, X[:, 1].max() + 0.5
    xx, yy = np.meshgrid(np.linspace(xmin, xmax, 100), np.linspace(ymin, ymax, 100))
    Z = model.predict(np.c_[xx.ravel(), yy.ravel()])
    Z = Z.reshape(xx.shape)
    plt.contourf(xx, yy, Z, cmap=plt.cm.RdBu_r, alpha=0.6)
    plt.scatter(X[:, 0], X[:, 1], c=y, cmap=plt.cm.RdBu_r)
    plt.xlim(xmin, xmax)
    plt.ylim(ymin, ymax)
    plt.xlabel('Feature 1')
    plt.ylabel('Feature 2')

plot_boundary(model, X)
plt.show()

from sklearn.metrics import accuracy_score

y_pred = model.predict(X)
print(f"准确率:{accuracy_score(y, y_pred)}")

希望能够帮助你，还有其他问题需要我回答的话，请继续提出。