目录
一、支持向量机基本型（线性可分）
1.1 问题描述
1.2 参考资料
二、KKT条件
2.1 KKT条件的几个部分
2.1.1 原始条件
2.1.2 梯度条件
2.1.3 松弛互补条件
2.2 参考资料
三、对偶形式
四、SMO算法
五、线性不可分情形
六、核函数
一、支持向量机基本型（线性可分）
1.1 问题描述
在PLA感知机算法中我们求取超平面是保证所有目标分类正确即可，但是我们为了增加我们学习到的算法的鲁棒性，泛化能力更强，我们可以使超平面到样本的间隔距离最大，这里我们定义间隔为“样本到超平面的最近距离”，也就是说我们的超平面就是对应间隔最大的平面。下面我们用数学语言来描述。
假设样本集，设超平面为
，点到超平面的距离
，最小间隔则为
，当
达到最大时的
就对应我们的超平面。即：
现在的问题转变成了优化问题。
对于这样确定的，必然存在
，
，即：
对进行缩放是不影响超平面的，所以可以必然存在这样的
，使得：
//这个式子隐含了
这个条件了
所以：
要使达到最大，则使
最小即可。所以上述优化问题可以写成下列形式：
1.2 参考资料
以上就是支持向量机的基本型。详细内容可参见李航《机器学习方法》第七章支持向量机。网上其他参考资料可参见：
文档资料：
机器学习：支持向量机（SVM）_燕双嘤的博客-CSDN博客_支持向量机
支持向量机通俗导论（理解SVM的三层境界）_v_JULY_v的博客-CSDN博客_支持向量机
视频资料：
推导SVM基本形式_哔哩哔哩_bilibili
【数之道25】机器学习必经之路-SVM支持向量机的数学精华_哔哩哔哩_bilibili
1. 支持向量机（线性模型）问题_哔哩哔哩_bilibili
svm原理推导：1-支持向量机要解决的问题_哔哩哔哩_bilibili
二、KKT条件
我把KKT条件放到第二节来讲，我觉得更加符合我们的思维方式，在第一节中我们给出了SVM的基本型，那么接下来我们来试图求解这个优化问题，由此引出KKT条件，很多写法将KKT条件直接上来就构建拉格朗日辅助函数，然后就给读者说就是这么回事，这种逻辑其实不合理，应当直接从梯度角度来讲这个事情。
2.1 KKT条件的几个部分
上述优化问题：
2.1.1 原始条件
2.1.2 梯度条件
在求解带不等式约束的优化问题时，考虑两种情况一种是不等式约束有效，一种是不等式约束无效。我们把要优化的函数称为目标函数（这个地方只考虑凸函数的情况）。
（1）当约束条件无效时，目标函数最优值为其梯度为0时的值。
（2）当约束条件有效时(目标函数不在约束范围内)，那么目标函数取得最优值是应当与约束条件“相切”，也就是梯度方向成平行关系，具体可分为以下4种情况，我们假设目标函数为，约束函数为
：
1.
此时有：
2.
此时有：
3.
此时有：
4.
此时有：
注意的梯度方向与
具体函数相关，这里为了举例方便仅画出示意图默认了梯度方向。
在SVM基本型的优化问题中，其情形属于第二种情况，即：
综上两种情况可知：
或
由于原优化问题是多约束条件，我们画出示意图如下：
此时有：
综上所述，代入原式子，即：
或
为了将两种情况综合到一起，我们引入了互补松弛条件。
2.1.3 松弛互补条件
我们把约束条件有效和约束条件无效两种情况综合打一起，实际上对于第二种情况，当约束条件无效时，可令对应的乘子
=0，此时第二种情况也就变成了第一种情况，当约束条件有效时则约束条件
=0，所有始终有：
我们称之为互补松弛条件。
综上所述我们引出了KKT条件，对于凸优化问题因为只存在唯一解KKT条件等价于原始优化问题，解KKT条件就是解原始优化问题，原始优化问题的解一定满足KKT条件。
上述就是我们所说的KKT条件，KKT条件主要用来求解，但是实际上我们发现KKT条件中的参数还是很多，求解并不容易，为此我们又引入了拉格朗日对偶性，降低要求解的维度。
2.2 参考资料
文档资料：
Qoo-凸二次规划与KTT条件-支持向量机SVM（二） - 知乎
KKT条件，原来如此简单 | 理论+算例实践 - 知乎
Karush-Kuhn-Tucker (KKT)条件 - 知乎
视频资料：
“拉格朗日对偶问题”如何直观理解？“KKT条件” “Slater条件” “凸优化”打包理解_哔哩哔哩_bilibili
拉格朗日对偶性_哔哩哔哩_bilibili
三、对偶形式
四、SMO算法
五、线性不可分情形
六、核函数
