1.SMO即序列最小最優化，（sequential minimal optimization），用於利用核函數求解非線性問題的SVM的最優化問題。求解的輸出結果就是每個支持向量所對應的參數αi（這個參數是拉格朗日函數中引入的，個人理解下，這個α所代表的就是每個支持向量在模型中起到的影響因子，因爲這個αi的表達式中有一向內積，內積也可以表示兩個向量的相關性，相關性越高則這個內積就越大）。
2.書中直接給出了每次更新後的解析解，根據斯坦福的機器學習課程的解釋，實際上這個值是通過求解二次函數在方形約束上的最值問題得到的，由於考慮到二次函數的最值是與求解區域有關，若函數頂點落在方形區域中間，則可以取到頂點處的值，否則只能取到方形約束兩端的值。
3.方形約束是根據約束條件得到的，這個C是代表了軟間隔中的懲罰因子。
4.方形約束中的直線是通過另一個約束條件得到的
5.書中的L及H的取值是根據直線與方形約束框的交點對應的α取值得到的，通過比較C與直線在邊界上的參數值的大小得到。