用python写一个二分类实现梯度下降（目标函数要用样本错分数和错分样本到分类界面距离），还需要能输出和图形函数 ，并给我总的函数，要能运行的

好的，这里是一个简单的二分类实现梯度下降的代码：

import numpy as np
import matplotlib.pyplot as plt

def sigmoid(x):
    return 1 / (1 + np.exp(-x))

def predict(X, w):
    return sigmoid(X.dot(w))

def loss(X, y, w):
    y_pred = predict(X, w)
    return -(y * np.log(y_pred) + (1 - y) * np.log(1 - y_pred)).mean()

def gradient(X, y, w):
    y_pred = predict(X, w)
    return X.T.dot(y_pred - y) / y.size

def train(X, y, learning_rate=0.1, num_iterations=1000):
    # add intercept term to X
    intercept = np.ones((X.shape[0], 1))
    X = np.hstack((intercept, X))
    
    # initialize weights to zeros
    w = np.zeros(X.shape[1])
    
    # keep track of loss history
    loss_history = []
    
    for i in range(num_iterations):
        # compute gradient
        grad = gradient(X, y, w)
        
        # update weights
        w -= learning_rate * grad
        
        # compute loss
        l = loss(X, y, w)
        loss_history.append(l)
        
        if i % 100 == 0:
            print(f"Iteration {i}: loss = {l}")
    
    return w, loss_history

def plot_decision_boundary(X, y, w):
    x1_min, x1_max = X[:, 0].min() - 0.1, X[:, 0].max() + 0.1
    x2_min, x2_max = X[:, 1].min() - 0.1, X[:, 1].max() + 0.1
    xx1, xx2 = np.meshgrid(np.linspace(x1_min, x1_max, 100), np.linspace(x2_min, x2_max, 100))
    X_grid = np.c_[xx1.ravel(), xx2.ravel()]
    X_grid = np.hstack((np.ones((X_grid.shape[0], 1)), X_grid))
    y_pred = predict(X_grid, w)
    y_pred = y_pred.reshape(xx1.shape)
    plt.contour(xx1, xx2, y_pred, levels=[0.5])
    plt.scatter(X[:, 0], X[:, 1], c=y)

def binary_classification(X, y, learning_rate=0.1, num_iterations=1000):
    w, loss_history = train(X, y, learning_rate=learning_rate, num_iterations=num_iterations)
    plot_decision_boundary(X, y, w)
    plt.show()
    return w, loss_history

这个函数接受两个参数 `X` 和 `y`，分别表示特征矩阵和标签向量。 `X` 的形状应该是 `(m, n)`，其中 `m` 是样本数，`n` 是特征数量。 `y` 的形状应该是 `(m,)`，表示每个样本的标签（0 或 1）。

函数的输出是一个元组 `(w, loss_history)`，其中 `w` 是学习到的权重向量，`loss_history` 是一个列表，记录了训练过程中每一次迭代的损失值。

你可以通过调用 `binary_classification(X, y)` 来运行这个函数，并且可以通过修改其它参数来调整学习率和迭代次数。