分類：把決策邊界畫出來

分類模型其實是把整個特徵空間畫分成幾塊，每塊對應一個預測類別。塊與塊的分界，就是決策邊界。把它畫出來，你就能一眼看穿模型的「世界觀」——這比看一個準確率數字有感多了。

這堂課你會學到

• 用 KNN 與 邏輯迴歸 做分類並比較
• 理解什麼是 決策邊界（decision boundary）
• 學會視覺化 2D 決策邊界：鋪網格 → 逐點 predict → contourf 塗色

一眼看懂模型的假設

上方預覽圖就是本課的高潮：同一份鳶尾花資料，兩個模型切出完全不同形狀的邊界。

• KNN 的邊界彎彎曲曲，緊貼資料——它沒有預設形狀，完全跟著鄰居走。
• 邏輯迴歸 的邊界是直線——它假設類別之間用直線就能分開。

沒有誰絕對較好：資料若大致線性可分，邏輯迴歸又快又穩；邊界很不規則時，KNN 這類彈性模型更貼合。把 KNN 的 k 調到 1，邊界會碎裂成過度貼合每個點的形狀——那就是過擬合的長相。

👉 在 Colab 裡，試著加入第三個分類器 SVC(kernel="rbf") 畫進去比較，或換一組特徵看哪組比較好分。