版权声明：本文为博主原创文章，未经博主允许不得转载。 https://blog.csdn.net/up_XCY/article/details/86497326
所谓决策界限就是将训练集分类的界限。
从下面的假设函数中我们可以见到，当g(z)≥0.5时，我们认为结果为y=1，当g(z)<0.5时，我们认为结果为y=0。
即z=θ的转置乘以x大于等于0.5或者小于0.5。
例如下面的一个比较简单的例子，我们假设等到的参数θ=
从而我们得到x1+x2>=3的直线，将训练集分为两个半平面，分别得出的结果是y=1和y=0。
我们再来看一个比较复杂的训练集得出的决策界限：
上面的出的是一个圆形的决策界限，圆外是y=1，圆内是y=0。
但是如果训练集更复杂，得到的就可能是更加复杂的以至于不规律的边界。如下面的：
从上面的3个决策界限的例子中，我们可能会认为是根据训练集画出或者说得出决策界限，但是并不是这样的。
训练集是用来拟合参数，而参数进一步决定了决策边界的形状。换句话说，就是我们得出的决策界限，是根据参数θ来得出的。例如第一个例子是由于
得出的直线分界限，第二个是由于
得出的圆形分界线。而参数的确定在后面的学习中得出。