已知正例点和负例点坐标，求最大间隔分离超平面和分类决策函数，并在图上画出分离超平面、间隔边界及支持向量MATLAB完整代码不使用函数

在MATLAB中，手动实现最大间隔支持向量机（SVM）涉及到核函数的选择、计算间隔边界和支持向量等步骤。下面是一个简单的例子，我们将使用线性核（也称为内积核）来演示：

% 假设已知正例（y=1）和负例（y=-1）的点
posData = [1, 2; 4, 5];  % 正例数据，(x1, x2)
negData = [-1, -2; -4, -5];  % 负例数据，(x1, x2)

% 合并数据
allData = [posData; negData];
y = [ones(size(posData,1),1); -ones(size(negData,1),1)];  % 标签

% 计算所有点之间的距离矩阵
distMatrix = pdist(allData, 'euclidean');  % 使用欧式距离
distMatrix = squareform(distMatrix);  % 转换为对称矩阵

% 初始化间隔（w）和偏置(b)，初始值通常为0
w = zeros(2,1);
b = 0;

% 优化过程：寻找最大化间隔的支持向量
for i = 1:size(allData,1)
    if y(i) == 1
        % 正例点：找到最近的负例点并更新间隔
        [~, minIndexNeg] = min(distMatrix(i, :) .* y);
        if distMatrix(i, minIndexNeg) > 0
            w = w + y(i) * allData(i,:)';  % 更新间隔向量
            b = b - y(i) * dot(w, allData(i,:));  % 更新偏置
        end
    else
        % 负例点：无需更新间隔
    end
end
w = w / sqrt(sum(w.^2));  % 归一化间隔向量

% 计算分类决策函数（线性SVM）
predictFcn = @(x) sign(dot(w, x) + b);

% 绘制分离超平面和间隔边界
figure;
hold on;
scatter(posData(:,1), posData(:,2), 'r', 'filled', 'MarkerFaceColor', 'r');
scatter(negData(:,1), negData(:,2), 'b', 'filled', 'MarkerFaceColor', 'b');

% 计算间隔边界上的点
boundaries = linspace(min(min(posData(:,1), negData(:,1))), max(max(posData(:,1), negData(:,1))));
x1 = boundaries;
x2 = (-b - w(1)*x1)./w(2);  % 纵轴上的点
plot(x1, x2, '--k');  % 边界线

% 找出支持向量
isSV = abs(distMatrix) < Inf & abs(distMatrix) > 1e-6;  % 选取距离大于0且小于无穷小的距离
supportVectors = allData(isSV, :);

scatter(supportVectors(:,1), supportVectors(:,2), 'gx', 'filled');  % 支持向量标记为绿色星号

hold off;
xlabel('x1');
ylabel('x2');
title('Max Margin Hyperplane using SVM');

注意这个实现仅适用于线性可分的情况。对于非线性情况，你需要选择适当的核函数并使用`kernel`变量。