目錄
1.支持向量機原型模型的建立和求解
1.1常見的幾何性質
1.2SVM原始公式的導出
aa
1.3SVM的性質
由1.2SVM原始公式導出可以知道，
爲什麼![\tiny d^+=d^-=d^*=\frac{1}{2}\gamma =\frac{1}{||w||}]()
?
?因爲支持向量機定義爲距離間隔最近的向量，如果間隔超平面不在中間，那麼我們可以找到中間的那個平面到支持向量機的距離更近，從而推翻假設的間隔超平面不是超平面。
爲什麼支持向量機平面在![\tiny w^Tx+b=\pm1]()
上？
上？間隔超平面定義爲：
支持向量機定義：
由支持向量定義知道，
因爲原點到平面的距離：
所以間隔超平面到支持向量機的距離：
支持向量機爲：
3.svm間隔超平面的存在性：
因爲數據是線性可分的，所以一定存在間隔超平面。因爲SVM的數學形式是有下界的，所以一定能夠求得一個最優解。
4.SVM間隔超平面唯一性證明
2.SVM對偶形式的推導
二次規劃：
拉格朗日法：
拉個朗日函數的應用：
2.2對偶問題介紹
6.11公式求解過程如上圖
最後一步右邊如何得到的：
多項式
寫成求和形式就是：
拉個朗日函數補充：
KKT條件：
KKT條件有四個約束，第一個約束：
regularity condition?
放射函數：AX+b，表示成這種形式，A爲矩陣，b爲向量。
圖上的g(x)就是h(x)
這裏只講了一個約束，事實上他們一共有m+p個約束，很多個約束時不一定共線，只要他們的向量之和等於0就可以了。
3.SVM的求解算法SMO
參考文獻：
