对训练好的模型画边界点代码

对训练好的模型画边界点，需要进行以下步骤：

1. 准备数据：首先需要准备用于训练模型的数据集，包括特征值和标签。为了便于可视化，通常只选取两个或三个特征值进行训练。

2. 训练模型：使用训练数据集训练模型，可以选择不同的分类器，如逻辑回归、支持向量机等。

3. 生成网格点：通过生成一组网格点，来覆盖整个特征空间。网格点的密度和范围可以根据需要进行调整。

4. 预测类别：对于每个网格点，使用训练好的模型进行预测，并将预测结果用不同的颜色表示。

5. 绘制边界线：对于每个类别，将其预测结果为正的网格点连成一条曲线，形成边界线。

下面是一个简单的Python代码示例，用于绘制逻辑回归模型的边界点：

import numpy as np
import matplotlib.pyplot as plt
from sklearn.linear_model import LogisticRegression

# 生成数据
np.random.seed(0)
X = np.random.randn(200, 2)
y = np.logical_xor(X[:, 0] > 0, X[:, 1] > 0)

# 训练模型
clf = LogisticRegression()
clf.fit(X, y)

# 生成网格点
xx, yy = np.meshgrid(np.linspace(-3, 3, 500), np.linspace(-3, 3, 500))
Z = clf.predict(np.c_[xx.ravel(), yy.ravel()])
Z = Z.reshape(xx.shape)

# 绘制边界点
plt.contourf(xx, yy, Z, cmap=plt.cm.Spectral)
plt.scatter(X[:, 0], X[:, 1], c=y, cmap=plt.cm.Spectral)
plt.show()

这段代码使用逻辑回归模型对随机生成的数据进行分类，并绘制了边界点。可以根据需要修改数据集和分类器，以适应不同的场景。