SVM是我写的最长的一篇博客。
解决SVM有两个思路，这两个思路指导我们后面的方法：
- 简单情况，线性可分或线性不可分，把问题转化成为一个凸优化问题，可以利用拉格朗日乘子法简化，然后有既有的算法解决。
- 复杂情况，非线性情况，用映射函数将样本投射到高维空间，使其变成线性的情况。利用核函数减少高纬度计算量。
所谓的支持向量机就是在一个分隔平面两边各找到对应的支持向量，使得经过这些支持向量的左右两边平面的距离最大化，如图所示：
然后我们开始计算。
现在，我们得出来的d，我们就可以转化为凸优化问题
到了这里，我们可以用拉格朗日乘子法来解决这个问题。为什么可以用拉格朗日乘子法来解决，首先得解释一下拉格朗日乘子法。
假设f(x,y)无约束，那么f在它的梯度那里就可以取到最小值，就是梯度下降到几乎不变的时候，在图中就是f的圆心。但是有了约束后，取不到，只能通过拉格朗日乘子法来解决。解释如图：
拉格朗日
解释完了，那么就可以得到如下的公式，分别对w和b求导得到：
但是这个是要加上kkt条件的，kkt条件中的变量太多，不利于解L，所以将拉格朗日乘子法的问题转化为其对偶问题，
这里，我插一句，什么是松弛变量和惩罚函数
好了，到了倒数第二步了，我们现在要求 \alpha_i， \alpha_j，那么，所以，我们可以用SMO算法来解决。SMO算法的思想很简单。如图：
这个，我暂时不打算细讲，以后可能会单独分出来在好好说说。然后就是核函数了，核函数就是简化计算。就是本来是求 x_i . x_j，映射到高维空间求 \phi(x_i) . \phi(x_j)，而核函数就是用低位空间的一个函数计算，简化高维空间的 \phi(x_i) . \phi(x_j)，常用的核函数有以下几种：
