以“户型”和“建筑面积”为参考数据（特征值），利用sklearn库的支持向量回归函数（LinearSVR()函数）对以下2套二手房售价进行预测 房屋一：建筑面积88.00平方米，2室1厅1卫； 房屋二：建筑面积136.00平方米，3室2厅2卫； 绘制两条折线图

首先，为了使用sklearn库的LinearSVR()函数进行房价预测，我们需要准备训练数据集，其中包含已知的户型（如2室1厅1卫、3室2厅2卫）、建筑面积以及对应的售价。这里假设我们已经有了这样的历史数据。

以下是一个简单的步骤概述：

1. 导入所需的库：

import pandas as pd
from sklearn import datasets
from sklearn.model_selection import train_test_split
from sklearn.svm import LinearSVR
import matplotlib.pyplot as plt

2. 加载或创建数据集：

# 假设data_df是一个DataFrame，包含 '建筑面积', '户型', 和 '售价'
# data_df = load_data() 或者从CSV等文件读取

# 如果没有实际数据，可以模拟数据示例
data = {
    "建筑面积": [88.00, 136.00], 
    "户型": ["2室1厅1卫", "3室2厅2卫"], 
    "售价": [房价1, 房价2] # 用真实价格替换
}
data_df = pd.DataFrame(data)

3. 数据预处理：

X = data_df[['建筑面积', '户型']]  # 特征数据
y = data_df['售价']  # 目标变量

# 将文本数据转化为数值特征，如果需要的话
# X['户型编码'] = some_function(X['户型'])  # 对户型进行编码

# 划分训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

4. 创建并训练支持向量回归模型：

svr_model = LinearSVR()
svr_model.fit(X_train, y_train)

5. 预测并绘制折线图：

y_pred_train = svr_model.predict(X_train)
y_pred_test = svr_model.predict(X_test)

plt.figure(figsize=(10,6))
plt.scatter(X_train['建筑面积'], y_train, label='训练数据')
plt.plot(X_train['建筑面积'], y_pred_train, color='red', label='训练预测')

plt.scatter(X_test['建筑面积'], y_test, label='测试数据')
plt.plot(X_test['建筑面积'], y_pred_test, color='blue', label='测试预测')

plt.xlabel('建筑面积 (平方米)')
plt.ylabel('售价')
plt.title('建筑面积对二手房售价预测')
plt.legend()
plt.show()

请注意，上述过程假设了数据可用并且可以直接用于预测。在实际应用中，你需要处理缺失值、异常值，并确保户型编码或其他非数值特征的有效转换。同时，对于实际房价预测，可能还需要考虑更多的因素和更复杂的模型。