目录
一、复习（原问题、对偶问题、KKT条件、凸函数）
二、将最优化问题标准化为原问题（严格转化为标准形式）
1、原最优化问题
2、标准化后的问题
三、转化为对偶问题（注意变量的对应关系）
四、对对偶问题的目标函数进行简化（利用L函数的偏导）
1、L函数
2、对L函数各待定系数求偏导
1）向量求导
2）L函数求偏导
3、对偶问题目标函数简化（将fai用核函数K替换）
1）由后面两个偏导等式可以将L化简为：
2）再通过第一个偏导等式进一步化简：
3）L函数最终简化形式——对偶问题的简化形式
五、回归原问题求解w和b
1、求解w
2、求解b
六、SVM算法总结（训练+测试）
1、训练流程（根据训练样本求解b，获得最优化模型）
2、测试流程（利用最优化模型对新的样本进行分类）
七、易产生的疑惑
1、原问题是求解w,b，为什么后面只需要求b就好了，原问题的最优解不管了吗？
一、复习（原问题、对偶问题、KKT条件、凸函数）
二、将最优化问题标准化为原问题（严格转化为标准形式）
1、原最优化问题
2、标准化后的问题
三、转化为对偶问题（注意变量的对应关系）
注：这里的w指的是问题中的待定系数，如在非线性问题中w代表的是w、b和松弛变量
注：这里的α表示的是原问题中限制条件中不等式约束中的待定系数，如下面α有两个变量因为有两个不等式约束；β表示原问题中限制条件中等式约束中的待定系数，如下面β没有，因为没有等式约束。
四、对对偶问题的目标函数进行简化（利用L函数的偏导）
1、L函数
2、对L函数各待定系数求偏导
1）向量求导
2）L函数求偏导
3、对偶问题目标函数简化（将fai用核函数K替换）
将L函数求偏导得到的等式都带入到L函数中，可以将L函数进行简化，也就是对对偶问题的目标函数进行了简化
1）由后面两个偏导等式可以将L化简为：
2）再通过第一个偏导等式进一步化简：
上面只有fai是向量，其余的均为标量
3）L函数最终简化形式——对偶问题的简化形式
求解以上问题的算法称为：SMO算法
五、回归原问题求解w和b
>>>问题1：原问题是为了求解W,b，但是上面经过对偶化后求解的却是α和β，那w,b该怎么返回去求解？
1、求解w
根据测试流程实际上不需要知道w的确切值，只需要知道上图等式和0的关系即可
由L函数对w求偏导=0的等式和核函数来进行计算。
2、求解b
通过KKT条件和核函数来对b进行求解：
KKT条件
求得b
六、SVM算法总结（训练+测试）
1、训练流程（根据训练样本求解b，获得最优化模型）
已知：yi,yj,xi,xj,K(xi,xj)
未知：αi,αj,b
求解αi,αj可以用《SMO算法》进行求解，求解b利用公式即可求解
实际情况下求解b时，会选取多个α的值求得多个b，然后将多个b的值进行平均化，将平均值作为b最终的取值
2、测试流程（利用最优化模型对新的样本进行分类）
七、易产生的疑惑
1、原问题是求解w,b，为什么后面只需要求b就好了，原问题的最优解不管了吗？
答：刚开始我也有这个疑惑，以为是通过对偶化作为一种手段来求解原问题的最优解w,b。这里我们不能拘泥于解方程，而是得记住最终的目的，为什么求解w,b呢？即使为了得到最优化的模型，而得到的模型是为了对新的样本数据实现标签分类（y=1或y=-1）,这才是机器学习的真正目的所在，通过对偶化我们将原问题求解w,b转化为了求解核函数以及b，最终依然得到了最优化的模型，利用该模型可以对新的样本数据进行分类！！！这里也就是说最终我们得到的是一个SVM模型，或者说我们通过训练样本训练出来了一个SVM模型，利用这个模型我们就可以对测试样本进行分类啦
