传统算法：使用Pygame实现SVM（支持向量机）算法

使用 Pygame 演示了支持向量机（SVM）在二维数据上的分类过程。以下是代码的主要步骤和原理解释：

1、初始化和基本设置
Pygame 初始化： 通过 pygame.init() 初始化 Pygame。

定义颜色和屏幕大小： 定义了一些颜色常量（WHITE, BLACK, RED, BLUE）和屏幕的宽度和高度。

创建 Pygame 窗口： 使用 pygame.display.set_mode 创建窗口，设置窗口标题。

2、生成随机数据点和训练 SVM 模型
生成随机数据点： 使用 make_blobs 生成两个簇的随机数据点，存储在 X 和 y 中。

创建 SVM 模型： 使用 svm.SVC 创建一个支持向量机分类器，使用线性核函数。

训练 SVM 模型： 使用 fit 方法训练 SVM 模型，其中 X 是数据点的坐标，y 是数据点的类别。

3、获取决策边界和支持向量
获取决策函数的系数： 通过 clf.coef_ 获取决策函数的系数。

计算决策边界： 使用系数计算决策边界的直线方程，存储在 xx 和 yy 中。

获取支持向量： 计算支持向量，其中 margin 表示支持向量到决策边界的距离。

4、主循环
事件处理： 在主循环中，检测是否有退出事件，如果有，则退出主循环。

绘制数据点： 使用 pygame.draw.circle 绘制数据点，红色表示类别 0，蓝色表示类别 1。

绘制决策边界和支持向量： 使用 pygame.draw.line 绘制决策边界和支持向量。决策边界使用实线表示，支持向量使用黑色