作业： import numpy as np import matplotlib.pyplot as plt from sklearn.svm import SVC from sklearn.datasets.samples_generator import make_circles X, y = make_circles(100, factor=.1, noise=.1) plt.scatter(X[:, 0], X[:, 1], c=y, s=50, cmap='autumn') 仿照课件线性支持向量机的例题，对上述数据集，用高斯核函数非线性支持向量机进行分类，并绘制出决策边界和支持向量，效果图如下图。 提示：支持向量的获取

好的，你的问题是关于使用高斯核函数非线性支持向量机进行分类，并绘制出决策边界和支持向量的问题。根据你的要求，以下是代码和效果图：

import numpy as np 
import matplotlib.pyplot as plt 
from sklearn.svm import SVC 
from sklearn.datasets.samples_generator import make_circles 

# 生成数据 
X, y = make_circles(100, factor=.1, noise=.1) 

# 实例化模型，使用高斯核函数 
clf = SVC(kernel='rbf', C=1E6) 

# 拟合模型 
clf.fit(X, y) 

# 绘制决策边界 
plt.scatter(X[:, 0], X[:, 1], c=y, s=50, cmap='autumn') 
plt_svc(clf) 

# 绘制支持向量 
plt.scatter(clf.support_vectors_[:, 0], 
            clf.support_vectors_[:, 1], 
            s=300, lw=1, facecolors='none') 
plt.show()

其中，`plt_svc()` 函数用于绘制决策边界和支持向量：

def plt_svc(clf, plot_support=True):
    # 绘制决策边界
    ax = plt.gca()
    xlim = ax.get_xlim()
    ylim = ax.get_ylim()

    # 创建网格来评估模型
    xx = np.linspace(xlim[0], xlim[1], 30)
    yy = np.linspace(ylim[0], ylim[1], 30)
    Y, X = np.meshgrid(yy, xx)
    xy = np.vstack([X.ravel(), Y.ravel()]).T
    P = clf.decision_function(xy).reshape(X.shape)

    # 绘制决策边界和边界的距离
    ax.contour(X, Y, P, colors='k', levels=[-1, 0, 1], alpha=0.5,
               linestyles=['--', '-', '--'])

    # 绘制支持向量
    if plot_support:
        ax.scatter(clf.support_vectors_[:, 0],
                   clf.support_vectors_[:, 1],
                   s=300, linewidth=1, facecolors='none');
    ax.set_xlim(xlim)
    ax.set_ylim(ylim)

最终的效果图如下：