对训练好的模型画边界点

对训练好的模型进行边界点的绘制可以用到可视化技术。通常可以使用t-SNE或PCA等降维算法将高维的特征向量映射到二维或三维空间中，然后根据模型的预测结果对不同类别的数据进行着色。这样我们就可以在二维或三维空间中看到不同类别的数据点在分布上的差异，从而得到模型的边界点。

下面是一个简单的Python代码示例，演示如何使用t-SNE算法对训练好的模型进行可视化：

from sklearn.manifold import TSNE
import matplotlib.pyplot as plt

# 将特征向量降维到二维空间
tsne = TSNE(n_components=2, random_state=0)
X_tsne = tsne.fit_transform(features)

# 绘制二维散点图
plt.scatter(X_tsne[:, 0], X_tsne[:, 1], c=predictions)
plt.show()

其中，`features`是训练集中的特征向量，`predictions`是模型对训练集的预测结果。使用`t-SNE`算法将`features`降维到二维空间，然后根据模型的预测结果对不同类别的数据进行着色，最后绘制二维散点图。可以看到，不同类别的数据点在分布上的差异比较明显，从而得到模型的边界点。