PRML：如何绘制最小误分类率决策边界？

Question

这是综合分类数据集，其中红色和蓝色显示了来自两个类别的数据。蓝色类别是从单个高斯生成的，而红色类别是从两个高斯的混合生成的。

由于我们具有先验概率（p（C0）= 0.5和p（C1）= 0.5）和类条件概率（单个高斯p（x | C0）和两个高斯p（x | C）的混合， C1）），我们可以计算出真实的后验概率，并绘制右图所示的轮廓线和填充轮廓。但是，如何绘制最小误分类率决策边界（绿线）？

数据生成为：

import numpy as np
import matplotlib.pyplot as plt

def create_toy_data(mu1, mu2, mu3, sigma1, sigma2, sigma3):
    x0 = np.random.multivariate_normal(mu1, sigma1, 100)
    x1 = np.random.multivariate_normal(mu2, sigma2, 50)
    x2 = np.random.multivariate_normal(mu3, sigma3, 50)
    return np.concatenate([x0, x1, x2]), np.concatenate([np.zeros(100, dtype='int'), np.ones(100, dtype='int')])

我知道最小误分类率决策边界是p（C0 | x）= p（C1 | x）= 0.5，但是如何明确表示曲线呢？