目录
1.支持向量机原型模型的建立和求解
1.1常见的几何性质
1.2SVM原始公式的导出
aa
1.3SVM的性质
由1.2SVM原始公式导出可以知道，
为什么![\tiny d^+=d^-=d^*=\frac{1}{2}\gamma =\frac{1}{||w||}]()
?
?因为支持向量机定义为距离间隔最近的向量，如果间隔超平面不在中间，那么我们可以找到中间的那个平面到支持向量机的距离更近，从而推翻假设的间隔超平面不是超平面。
为什么支持向量机平面在![\tiny w^Tx+b=\pm1]()
上？
上？间隔超平面定义为：
支持向量机定义：
由支持向量定义知道，
因为原点到平面的距离：
所以间隔超平面到支持向量机的距离：
支持向量机为：
3.svm间隔超平面的存在性：
因为数据是线性可分的，所以一定存在间隔超平面。因为SVM的数学形式是有下界的，所以一定能够求得一个最优解。
4.SVM间隔超平面唯一性证明
2.SVM对偶形式的推导
二次规划：
拉格朗日法：
拉个朗日函数的应用：
2.2对偶问题介绍
6.11公式求解过程如上图
最后一步右边如何得到的：
多项式
写成求和形式就是：
拉个朗日函数补充：
KKT条件：
KKT条件有四个约束，第一个约束：
regularity condition?
放射函数：AX+b，表示成这种形式，A为矩阵，b为向量。
图上的g(x)就是h(x)
这里只讲了一个约束，事实上他们一共有m+p个约束，很多个约束时不一定共线，只要他们的向量之和等于0就可以了。
3.SVM的求解算法SMO
参考文献：
