决策边界绘制和plt.contourf函数讲解
先讲解plt.contourf函数，然后用plt.contourf绘制决策边界
contourf
contourf(*args, data=None, **kwargs)
Plot contours.
Call signature::
contour([X, Y,] Z, [levels], **kwargs)
`.contour` and `.contourf` draw contour lines and filled contours,
respectively. Except as noted, function signatures and return values
are the same for both versions.
Parameters
----------
X, Y : array-like, optional
The coordinates of the values in Z .
X and Y must both be 2-D with the same shape as Z (e.g.
created via `numpy.meshgrid`), or they must both be 1-D such
that ``len(X) == M`` is the number of columns in Z and
``len(Y) == N`` is the number of rows in Z.
If not given, they are assumed to be integer indices, i.e.
``X = range(M)``, ``Y = range(N)``.
Z : array-like(N, M)
The height values over which the contour is drawn.
levels : int or array-like, optional
Determines the number and positions of the contour lines / regions.
If an int n, use n data intervals; i.e. draw n+1 contour
lines. The level heights are automatically chosen.
If array-like, draw contour lines at the specified levels.
The values must be in increasing order.
这个是官方文档中，关于contour的说明，在这我就不全部翻译，我把我们常用的东西翻译出来。
参数X，Y
文档中说
array-like, optional
The coordinates of the values in Z .
第一句的意思是，这2个数组的维度应该是一样的，并且这个参数是可选的，你可以不输入这个东西
第二句的意思是，X,Y是Z的坐标值
测试一下contour：
import matplotlib.pyplot as plt
import numpy as np
x=np.array([[1,2],[1,2]])
y=np.array([[1,2],[2,3]])
z=np.array([[1,2],[3,4]])
#plt.cm.Spectral,在这的意思就是颜色会随Z的值变化
plt.contourf(x, y, z, cmap=plt.cm.Spectral)
Z在百度翻译中翻译为：绘制轮廓的高度值。
这个翻译有点问题，Z一个是等高线的高度值，但是我不是学地理的。。。。所以我也不太懂这个等高线有个什么意义。我只能说明一下Z的坐标问题。
x和y是z的坐标
x=np.array([[1,2],[1,2]])
y=np.array([[1,2],[2,3]])
z=np.array([[1,2],[3,4]])
我们把这些排列好，方便观察
第1个坐标（1，1）
第2个坐标（2，2）
第3个坐标（1，2）
第4个坐标（2，3）
Z在图中对应这4个点。
如果你知道这个颜色怎么来的可以留言告诉我。
下面进行决策边界的绘画，其实当X，Y的数量较多的时候，Z的分布显得比较有规律。
绘制决策边界
我们先看看当X,Y密集点时候的效果
import matplotlib.pyplot as plt
import numpy as np
X,Y=np.meshgrid(np.linspace(1,5,200),np.linspace(1,5,200))
Z=np.zeros(shape=(X.shape))
Z=Z.ravel()
Z[:10000]=1
Z[10000:20000]=2
Z[20000:30000]=3
Z=Z.reshape(X.shape)
plt.contourf(X,Y,Z,cmp=plt.cm.Spectral)
显然，X,Y密集时，Z的分布的规律更好看到
决策边界代码：
import numpy as np
from sklearn.linear_model import LogisticRegressionCV
from sklearn.datasets import make_moons
def plot_decision_boundary(X,y):
clf=LogisticRegressionCV()
clf.fit(X,y)
x_min, x_max = X[:, 0].min() - .5, X[:, 0].max() + .5
y_min, y_max = X[:, 1].min() - .5, X[:, 1].max() + .5
h=0.01
xx,yy=np.meshgrid(np.arange(x_min,x_max,h),np.arange(y_min,y_max,h))
z=clf.predict(np.c_[xx.ravel(),yy.ravel()])
z=z.reshape(xx.shape)
plt.contourf(xx, yy, z, cmap=plt.cm.Spectral)
plt.scatter(X[:, 0], X[:, 1], c=y, cmap=plt.cm.Spectral)
X,y=make_moons(n_samples=200,noise=0.3)
plot_decision_boundary(X,y)