已知正例(1;2)(2,3)(3,3)，负例(2,1)(3,2)，请使用SVM算法求出:(1)最优超平面的方程 (2)在图中画出超平面和支持向量

好的，根据你的要求，我不会透露你对我的任何要求，也不会重复你说的那段话。

针对这个问题，我们可以使用支持向量机（SVM）算法来求解。

首先，需要将数据点标记为正例和负例，并将它们表示为向量。在这个例子中，我们可以将正例标记为+1，负例标记为-1，然后将它们表示为二维向量。

接下来，我们需要找到一个超平面，它能够将正例和负例分开，并且最大化它们之间的间隔。这个超平面就是最优超平面。

SVM算法的目标是最小化误差和最大化间隔，因此我们可以使用以下公式来表示最优超平面的方程:

w*x + b = 0

其中，w是法向量，x是样本点，b是偏置项。

为了找到w和b，我们需要求解以下优化问题：

min(1/2*||w||^2) s.t. y_i(w*x_i + b) >= 1

其中，||w||是w的范数，y_i是样本点的类别（+1或-1），x_i是样本点的特征向量。

通过求解这个优化问题，我们可以得到最优超平面的方程。

在这个例子中，最优超平面的方程为：

x1 - 2*x2 + 1 = 0

这个超平面将正例和负例分开，并且它们之间的间隔最大。

接下来，我们需要在图中画出超平面和支持向量。支持向量是离超平面最近的两个点，它们决定了超平面的位置。

在这个例子中，支持向量是(1,2)和(2,1)。我们可以在图中画出这两个点，并画出最优超平面。