先亮结果图：（忽略中文显示功能，请查看以前文章进行修改）
cm_light = mpl.colors.ListedColormap(['g', 'r', 'b'])
目的：
生成分类器模型的界面图（展示模型的分类界面）
记住：平面也是由许多点组成的网格点组成的
（1）选出两个维度，x1,x2；选择出其最大最小值（适当的扩大样本已有的数据的范围，使用了extend（自定义的函数））
def extend(a, b):
return 1.05*a-0.05*b, 1.05*b-0.05*a
x1_min, x1_max = extend(x[:, 0].min(), x[:, 0].max()) # x1的范围
x2_min, x2_max = extend(x[:, 1].min(), x[:, 1].max()) # x2的范围
(2)形成网格区域（用于画图）
N=500；M=500
t1 = np.linspace(x1_min, x1_max, N) t2 = np.linspace(x2_min, x2_max, M)
x1, x2 = np.meshgrid(t1, t2)
(3)形成预测值
x_show = np.stack((x1.flat, x2.flat), axis=1)
y_hat = model.predict(x_show) # 预测
y_hat = y_hat.reshape(x1.shape) # 使之与输入的形状相同
(4)绘制分类器的分类界面
plt.figure(facecolor='w')
plt.pcolormesh(x1, x2, y_hat, cmap=cm_light) # 预测值的显示
(5)展示分类器的分类效果（将样本点加入）
plt.scatter(x[:, 0], x[:, 1], s=30, c=y, edgecolors='k', cmap=cm_light) # 样本的显示
总结：
先画分类器的分类界面，借助np.meshgrid()形成网格数据，然后借助plt.pcolormesh()进行画图
再讲样本数据散点图加上
疑惑，plt.pcolormesh()输入参数的类型要求疑惑
由于未二维的平面，所以只选择两个特征便可以